最新のリリースでは、このページがまだ翻訳されていません。このページの最新版は英語でご覧になれます。

predictError

一連の点における誤差値の予測

構文

error = predictError(results,XTable)

[error,sigma]
= predictError(results,XTable)

説明

例

error = predictError(results,XTable) は、XTable 内の点における誤差連結制約の事後平均を返します。

[error,sigma] = predictError(results,XTable) は、事後標準偏差も返します。

例

すべて折りたたむ

誤差の予測

スクリプトを開く

この例では、評価点のノルムが 2 より大きい場合にエラーをスローする関数を最適化する方法を示します。目的関数の誤差モデルはこの動作を学習します。

-5 ～ 5 の範囲にある x1 および x2 という名前の変数を作成します。

var1 = optimizableVariable('x1',[-5,5]);
var2 = optimizableVariable('x2',[-5,5]);
vars = [var1,var2];

x = [x1,x2] のノルムが 2 より大きい場合、次の目的関数はエラーをスローます。

function f = makeanerror(x)
f = x.x1 - x.x2 - sqrt(4-x.x1^2-x.x2^2);

fun = @makeanerror;

誤差モデルと最小目的関数を最適化の進行に応じてプロットします。誤差モデルに十分に学習をさせるため、60 回の反復で最適化します。再現性を得るために、乱数シードを設定し、'expected-improvement-plus' の獲得関数を使用します。

rng default
results = bayesopt(fun,vars,'Verbose',0,'MaxObjectiveEvaluations',60,...
    'AcquisitionFunctionName','expected-improvement-plus',...
    'PlotFcn',{@plotMinObjective,@plotConstraintModels});

直線 x1 = x2 の点における誤差を予測します。誤差モデルが完全であれば、x のノルムが 2 を超えないすべての点で値は -1、他のすべての点で 1 になります。

x1 = (-5:0.5:5)';
x2 = x1;
XTable = table(x1,x2);
error = predictError(results,XTable);
normx = sqrt(x1.^2 + x2.^2);
[XTable,table(normx,error)]

ans =

  21x4 table

     x1      x2      normx       error  
    ____    ____    _______    _________

      -5      -5     7.0711      0.94663
    -4.5    -4.5      6.364      0.97396
      -4      -4     5.6569      0.99125
    -3.5    -3.5     4.9497       1.0033
      -3      -3     4.2426       1.0018
    -2.5    -2.5     3.5355      0.99627
      -2      -2     2.8284       1.0043
    -1.5    -1.5     2.1213      0.89886
      -1      -1     1.4142       0.4746
    -0.5    -0.5    0.70711    0.0042389
       0       0          0     -0.16004
     0.5     0.5    0.70711    -0.012397
       1       1     1.4142      0.30187
     1.5     1.5     2.1213      0.88588
       2       2     2.8284       1.0872
     2.5     2.5     3.5355        0.997
       3       3     4.2426      0.99861
     3.5     3.5     4.9497      0.98894
       4       4     5.6569      0.98941
     4.5     4.5      6.364      0.98956
       5       5     7.0711      0.95549