predictObjectiveEvaluationTime

一連の点における目的関数の実行回数の予測

ページ内をすべて折りたたむ

構文

time = predictObjectiveEvaluationTime(results,XTable)

説明

例

time = predictObjectiveEvaluationTime(results,XTable) は、XTable 内の点における目的関数の推定評価回数を返します。

例

すべて折りたたむ

最適化されたモデルにおける目的関数の評価回数の予測

ライブスクリプトを開く

この例では、最適化された SVM 分類用のベイズモデルにおける目的関数の評価回数を推定する方法を示します。

最適化された SVM モデルを作成します。このモデルの詳細については、bayesopt を使用した交差検証分類器の最適化を参照してください。

rng default
grnpop = mvnrnd([1,0],eye(2),10);
redpop = mvnrnd([0,1],eye(2),10);
redpts = zeros(100,2);
grnpts = redpts;
for i = 1:100
    grnpts(i,:) = mvnrnd(grnpop(randi(10),:),eye(2)*0.02);
    redpts(i,:) = mvnrnd(redpop(randi(10),:),eye(2)*0.02);
end
cdata = [grnpts;redpts];
grp = ones(200,1);
grp(101:200) = -1;
c = cvpartition(200,'KFold',10);
sigma = optimizableVariable('sigma',[1e-5,1e5],'Transform','log');
box = optimizableVariable('box',[1e-5,1e5],'Transform','log');
minfn = @(z)kfoldLoss(fitcsvm(cdata,grp,'CVPartition',c,...
    'KernelFunction','rbf','BoxConstraint',z.box,...
    'KernelScale',z.sigma));
results = bayesopt(minfn,[sigma,box],'IsObjectiveDeterministic',true,...
    'AcquisitionFunctionName','expected-improvement-plus','Verbose',0);

Figure contains an axes object. The axes object with title Objective function model contains 5 objects of type line, surface, contour. These objects represent Observed points, Model mean, Next point, Model minimum feasible.

Figure contains an axes object. The axes object with title Min objective vs. Number of function evaluations contains 2 objects of type line. These objects represent Min observed objective, Estimated min objective.

さまざまな点における評価回数を予測します。

sigma = logspace(-5,5,11)';
box = 1e5*ones(size(sigma));
XTable = table(sigma,box);
time = predictObjectiveEvaluationTime(results,XTable);
[XTable,table(time)]

ans=11×3 table
    sigma      box      time  
    ______    _____    _______

     1e-05    1e+05    0.18763
    0.0001    1e+05    0.15089
     0.001    1e+05    0.16192
      0.01    1e+05    0.20228
       0.1    1e+05     0.2692
         1    1e+05    0.19702
        10    1e+05    0.92957
       100    1e+05    0.44081
      1000    1e+05    0.16464
     10000    1e+05    0.16751
     1e+05    1e+05    0.12488