Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

hyperparameters

Descripciones variables para optimizar una función de ajuste

Descripción

ejemplo

VariableDescriptions = hyperparameters(FitFcnName,predictors,response) Devuelve las variables predeterminadas para la función de ajuste dada. Estas son las variables que se aplican al establecer el par nombre-valor.OptimizeHyperparameters'auto'

ejemplo

VariableDescriptions = hyperparameters(FitFcnName,predictors,response,LearnerType) Devuelve las variables para un ajuste de conjunto con el tipo de alumno especificado. Esta sintaxis se aplica cuando es, o.FitFcnName'fitcecoc''fitcensemble''fitrensemble'

Ejemplos

contraer todo

Obtenga los hiperparámetros predeterminados para el clasificador.fitcsvm

Cargue los datos.ionosphere

load ionosphere

Obtenga los hiperparámetros.

VariableDescriptions = hyperparameters('fitcsvm',X,Y);

Examine todos los hiperparámetros.

for ii = 1:length(VariableDescriptions)     disp(ii),disp(VariableDescriptions(ii)) end
     1    optimizableVariable with properties:           Name: 'BoxConstraint'         Range: [1.0000e-03 1000]          Type: 'real'     Transform: 'log'      Optimize: 1       2    optimizableVariable with properties:           Name: 'KernelScale'         Range: [1.0000e-03 1000]          Type: 'real'     Transform: 'log'      Optimize: 1       3    optimizableVariable with properties:           Name: 'KernelFunction'         Range: {'gaussian'  'linear'  'polynomial'}          Type: 'categorical'     Transform: 'none'      Optimize: 0       4    optimizableVariable with properties:           Name: 'PolynomialOrder'         Range: [2 4]          Type: 'integer'     Transform: 'none'      Optimize: 0       5    optimizableVariable with properties:           Name: 'Standardize'         Range: {'true'  'false'}          Type: 'categorical'     Transform: 'none'      Optimize: 0 

Cambie el hiperparámetro para que tenga un rango más amplio y se utilice en una optimización.PolynomialOrder

VariableDescriptions(4).Range = [2,5]; VariableDescriptions(4).Optimize = true; disp(VariableDescriptions(4))
  optimizableVariable with properties:           Name: 'PolynomialOrder'         Range: [2 5]          Type: 'integer'     Transform: 'none'      Optimize: 1 

Obtenga los hiperparámetros predeterminados para la función de regresión del conjunto.fitrensemble

Cargue los datos.carsmall

load carsmall

Utilice y como variables predictoras y como variable de respuesta.HorsepowerWeightMPG

X = [Horsepower Weight]; Y = MPG;

Obtenga los hiperparámetros predeterminados para un alumno.Tree

VariableDescriptions = hyperparameters('fitrensemble',X,Y,'Tree');

Examine todos los hiperparámetros.

for ii = 1:length(VariableDescriptions)     disp(ii),disp(VariableDescriptions(ii)) end
     1    optimizableVariable with properties:           Name: 'Method'         Range: {'Bag'  'LSBoost'}          Type: 'categorical'     Transform: 'none'      Optimize: 1       2    optimizableVariable with properties:           Name: 'NumLearningCycles'         Range: [10 500]          Type: 'integer'     Transform: 'log'      Optimize: 1       3    optimizableVariable with properties:           Name: 'LearnRate'         Range: [1.0000e-03 1]          Type: 'real'     Transform: 'log'      Optimize: 1       4    optimizableVariable with properties:           Name: 'MinLeafSize'         Range: [1 50]          Type: 'integer'     Transform: 'log'      Optimize: 1       5    optimizableVariable with properties:           Name: 'MaxNumSplits'         Range: [1 99]          Type: 'integer'     Transform: 'log'      Optimize: 0       6    optimizableVariable with properties:           Name: 'NumVariablesToSample'         Range: [1 2]          Type: 'integer'     Transform: 'none'      Optimize: 0 

Cambie el hiperparámetro para que tenga un rango más amplio y se utilice en una optimización.MaxNumSplits

VariableDescriptions(5).Range = [1,200]; VariableDescriptions(5).Optimize = true; disp(VariableDescriptions(5))
  optimizableVariable with properties:           Name: 'MaxNumSplits'         Range: [1 200]          Type: 'integer'     Transform: 'log'      Optimize: 1 

Argumentos de entrada

contraer todo

Nombre de la función de ajuste, especificada como uno de los nombres de función de ajuste de clasificación o regresión indicados.

Si es, o, a continuación, especifique también el tipo de alumno en el argumento.FitFcnName'fitcecoc''fitcensemble''fitrensemble'LearnerType

Ejemplo: 'fitctree'

Datos de predictor, especificados como una matriz con columnas predictoras D o como una tabla con columnas predictoras D, donde D es el número de predictores.

Ejemplo: X

Tipos de datos: double | logical | char | string | table | cell | categorical | datetime

Etiquetas de clase o de respuesta numérica, especificadas como una variable de agrupación (consulte) o como un escalar.Agrupar variables

Ejemplo: Y

Tipos de datos: single | double | logical | char | string | cell

Tipo de alumno para ajuste de conjunto, especificado como,,,,, o una plantilla de un alumno enumerado.'Discriminant''Kernel''KNN''Linear''SVM''Tree' Utilice este argumento cuando sea, o.FitFcnName'fitcecoc''fitcensemble''fitrensemble'

Solo puede usar, o una plantilla asociada.'fitcensemble''Discriminant''KNN''Tree'

Para, sólo puede utilizar o.'fitrensemble''Tree'templateTree

Ejemplo: 'Tree'

Argumentos de salida

contraer todo

Descripciones de variables, devueltas como vector de objetos.optimizableVariable Las variables tienen sus parámetros predeterminados establecidos, como el rango y el tipo de variable. Todas las variables elegibles existen en las descripciones, pero las variables no utilizadas en la configuración tienen su propiedad establecida.'auto'Optimizefalse Puede actualizar las variables utilizando la notación de puntos, como se muestra en.Ejemplos

Introducido en R2016b