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

SparseFiltering

Extracción de características mediante filtrado disperso

Descripción

utiliza el filtrado disperso para aprender una transformación que asigna los predictores de entrada a los nuevos predictores.SparseFiltering

Creación

Cree un objeto utilizando la función.SparseFilteringsparsefilt

Propiedades

expandir todo

Esta propiedad es de solo lectura.

Historial de ajuste, devuelto como una estructura con dos campos:

  • — Números de iteración desde 0 hasta la iteración final.Iteration

  • — Valor de la función objetiva en cada iteración correspondiente.Objective La iteración 0 corresponde a los valores iniciales, antes de cualquier ajuste.

Tipos de datos: struct

Esta propiedad es de solo lectura.

Pesos iniciales de transformación de entidades, devueltos como a-por-Matrix, donde es el número de predictores pasados y es el número de entidades que desea.pqpXq Estos pesos son los pesos iniciales pasados a la función de creación. El tipo de datos es único cuando los datos de entrenamiento son únicos.X

Tipos de datos: single | double

Esta propiedad es de solo lectura.

Parámetros utilizados para entrenar el modelo, devueltos como una estructura. La estructura contiene un subconjunto de los campos que corresponden a los pares nombre-valor que estaban en vigor durante la creación del modelo:sparsefilt

  • IterationLimit

  • VerbosityLevel

  • Lambda

  • Standardize

  • GradientTolerance

  • StepTolerance

Para obtener más información, consulte los pares nombre-valor en la documentación.sparsefilt

Tipos de datos: struct

Esta propiedad es de solo lectura.

Predictor significa cuando se estandariza, devuelto como un vector.p1 Esta propiedad no está vacía cuando el par nombre-valor está en la creación del modelo.Standardizetrue El valor es el vector de los medios predictores en los datos de entrenamiento. El tipo de datos es único cuando los datos de entrenamiento son únicos.X

Tipos de datos: single | double

Esta propiedad es de solo lectura.

Número de entidades de salida, devueltas como un entero positivo. Este valor es el argumento pasado a la función de creación, que es el número solicitado de características para aprender.q

Tipos de datos: double

Esta propiedad es de solo lectura.

Número de predictores de entrada, devueltos como un entero positivo. Este valor es el número de predictores pasados a la función de creación.X

Tipos de datos: double

Esta propiedad es de solo lectura.

Desviaciones estándar predictoras al estandarizar, devueltas como a-por-vector.p1 Esta propiedad no está vacía cuando el par nombre-valor está en la creación del modelo.Standardizetrue El valor es el vector de desviaciones estándar predictoras en los datos de entrenamiento. El tipo de datos es único cuando los datos de entrenamiento son únicos.X

Tipos de datos: single | double

Esta propiedad es de solo lectura.

Ponderaciones de transformación de entidades, devueltas como a-por-Matrix, donde es el número de predictores pasados y es el número de entidades que desea.pqpXq El tipo de datos es único cuando los datos de entrenamiento son únicos.X

Tipos de datos: single | double

Funciones del objeto

transformTransforme los predictores en entidades extraídas

Ejemplos

contraer todo

Cree un objeto mediante la función.SparseFilteringsparsefilt

Cargue los parches de imagen.caltech101

data = load('caltech101patches'); size(data.X)
ans = 1×2

      100000         363

Hay 100.000 parches de imagen, cada uno conteniendo 363 características.

Extraiga 100 características de los datos.

rng default % For reproducibility Q = 100; obj = sparsefilt(data.X,Q,'IterationLimit',100)
Warning: Solver LBFGS was not able to converge to a solution. 
obj =    SparseFiltering             ModelParameters: [1x1 struct]               NumPredictors: 363          NumLearnedFeatures: 100                          Mu: []                       Sigma: []                     FitInfo: [1x1 struct]            TransformWeights: [363x100 double]     InitialTransformWeights: []     Properties, Methods  

emite una advertencia porque se detuvo debido a que alcanzó el límite de iteración, en lugar de alcanzar un límite de tamaño de paso o un límite de tamaño de degradado.sparsefilt Todavía puede usar las características aprendidas en el objeto devuelto mediante una llamada a la función.transform

Introducido en R2017a