WOLFRAM

Wolfram 语言与系统 参考资料中心
Wolfram 语言首页 »

ActivePrediction
✖
ActivePrediction

[试用]

ActivePrediction[f,{conf1,conf2, …}]

给出一个对象，表示通过使用函数 f 来确定实例配置 confi 的值而获得的主动预测的结果.

ActivePrediction[f,reg]

在由 reg 指定的区域内产生配置.

ActivePrediction[f,sampler]

通过应用函数 sampler 产生配置.

ActivePrediction[f,{conf1,conf2,…}nsampler]

应用函数 nsampler 以连续产生从某个 confi 开始的配置.

更多信息和选项

范例

打开所有单元关闭所有单元

基本范例  (3)常见实例总结

培训一个 ActivePredictionObject[…]，找到一个给定配置集的函数的预测器：

In[1]:=1
✖
https://wolfram.com/xid/0g7h9woqf92-eamr7q
Out[1]=1

提取由此得出的预测器：

In[2]:=2
✖
https://wolfram.com/xid/0g7h9woqf92-fz55mq
Out[2]=2

预测新的样本：

In[3]:=3
✖
https://wolfram.com/xid/0g7h9woqf92-jr7hzm
Out[3]=3

培训一个预测对象，找到由间隔定义的域的函数的预测器：

In[1]:=1
✖
https://wolfram.com/xid/0g7h9woqf92-71unuc
Out[1]=1

提取预测器：

In[2]:=2
✖
https://wolfram.com/xid/0g7h9woqf92-v5ek5c
Out[2]=2

预测新的样本：

In[3]:=3
✖
https://wolfram.com/xid/0g7h9woqf92-prwr5
Out[3]=3

训练一个预测对象，找到 Det 函数的预测器，其中域由配置生成器定义：

In[1]:=1
✖
https://wolfram.com/xid/0g7h9woqf92-p9xt0c
Out[1]=1

提取预测器：

In[2]:=2
✖
https://wolfram.com/xid/0g7h9woqf92-vequm4
Out[2]=2

预测新的样本：

In[3]:=3
✖
https://wolfram.com/xid/0g7h9woqf92-vzz0e1
Out[3]=3

范围  (3)标准用法实例范围调查

训练一个预测对象，找到在间隔内的正弦函数的预测器：

In[1]:=1
✖
https://wolfram.com/xid/0g7h9woqf92-pgt7ug
Out[1]=1

获取可用对象属性的列表：

In[2]:=2
✖
https://wolfram.com/xid/0g7h9woqf92-39v469
Out[2]=2

获取探索的配置的历史：

In[3]:=3
✖
https://wolfram.com/xid/0g7h9woqf92-fxrok9
Out[3]=3

在主动预测中获取培训过的预测器以及一些属性：

In[4]:=4
✖
https://wolfram.com/xid/0g7h9woqf92-4wyf4u
Out[4]=4

获取最终预测器：

In[5]:=5
✖
https://wolfram.com/xid/0g7h9woqf92-53v9i0
Out[5]=5

获取用于选择配置并添加至培训集的方法：

In[6]:=6
✖
https://wolfram.com/xid/0g7h9woqf92-pwngyv
Out[6]=6

获取其他一些属性：

In[7]:=7
✖
https://wolfram.com/xid/0g7h9woqf92-hw4p4y
Out[7]=7

显示主动预测中培训的预测器的性能：

In[8]:=8
✖
https://wolfram.com/xid/0g7h9woqf92-e88e20
Out[8]=8

可视化用于新样本的预测器的预测：

In[9]:=9
✖
https://wolfram.com/xid/0g7h9woqf92-v3b645
Out[9]=9

培训预测对象，找到计算给定颜色与红色之间的色彩距离的函数预测器，其中域是由随机颜色生成器定义：

In[1]:=1
✖
https://wolfram.com/xid/0g7h9woqf92-jmsr2p
Out[1]=1

获取预测器：

In[2]:=2
✖
https://wolfram.com/xid/0g7h9woqf92-3bfsuz
Out[2]=2

显示主动预测时培训的预测器的性能：

In[3]:=3
✖
https://wolfram.com/xid/0g7h9woqf92-6nk7qk
Out[3]=3

显示测试集的预测器的比较图：

In[4]:=4
✖
https://wolfram.com/xid/0g7h9woqf92-2z3ar7
Out[4]=4

定义一个非平凡的函数，其中域由邻域配置生成器定义：

In[1]:=1
✖
https://wolfram.com/xid/0g7h9woqf92-b4xhzs

培训一个预测对象，找到函数的预测器，从一些初始配置开始：

In[2]:=2
✖
https://wolfram.com/xid/0g7h9woqf92-srmmdp
Out[2]=2

获取预测器：

In[3]:=3
✖
https://wolfram.com/xid/0g7h9woqf92-xf2y34
Out[3]=3

可视化预测器的预测. 它在初始配置的邻域中提供了良好的函数模型：

In[4]:=4
✖
https://wolfram.com/xid/0g7h9woqf92-4c964f
Out[4]=4

选项  (3)各选项的常用值和功能

InitialEvaluationHistory  (1)

定义一个二次函数，域由一组数字定义：

In[1]:=1
✖
https://wolfram.com/xid/0g7h9woqf92-y5pitz

构建一个初始的“培训集”：

In[2]:=2
✖
https://wolfram.com/xid/0g7h9woqf92-lq60o2
Out[2]=2

培训一个预测对象，为使用前信息的函数找到预测器：

In[3]:=3
✖
https://wolfram.com/xid/0g7h9woqf92-b9ujod
Out[3]=3

培训历史的首行例子现在对应于初始培训集：

In[4]:=4
✖
https://wolfram.com/xid/0g7h9woqf92-bpmjp6
Out[4]=4

MaxIterations  (1)

定义一个非平凡二维函数：

In[1]:=1
✖
https://wolfram.com/xid/0g7h9woqf92-gm2570

培训一个预测对象，为单位圆盘内的函数找预测器：

In[2]:=2
✖
https://wolfram.com/xid/0g7h9woqf92-uu6pnh
Out[2]=2

获取函数计算的值：

In[3]:=3
✖
https://wolfram.com/xid/0g7h9woqf92-e6zvcs
Out[3]=3

指定最大迭代次数：

In[4]:=4
✖
https://wolfram.com/xid/0g7h9woqf92-zbusip
Out[4]=4

再次查看函数运算次数：

In[5]:=5
✖
https://wolfram.com/xid/0g7h9woqf92-33s2bl
Out[5]=5

Method  (1)

定义一个非平凡的随机函数：

In[1]:=1
✖
https://wolfram.com/xid/0g7h9woqf92-kezlvu

通过用关联指定方法，选择计算策略和预测方法来培训一个预测对象：

In[2]:=2
✖
https://wolfram.com/xid/0g7h9woqf92-816yfj
Out[2]=2

获取预测器：

In[3]:=3
✖
https://wolfram.com/xid/0g7h9woqf92-tjldx7
Out[3]=3

为主动预测指定不同的方法：

In[4]:=4
✖
https://wolfram.com/xid/0g7h9woqf92-pfpp78
Out[4]=4

再次获取预测器：

In[5]:=5
✖
https://wolfram.com/xid/0g7h9woqf92-qi3wxr
Out[5]=5

可视化两个预测器的预测. "GaussianProcess" 产生相对于 "NearestNeighbors" 的更光滑的预测器：

In[6]:=6
✖
https://wolfram.com/xid/0g7h9woqf92-vym7jj
Out[6]=6

应用  (2)用该函数可以解决的问题范例

有效训练模型以预测特定位置的海拔：

In[1]:=1
✖
https://wolfram.com/xid/0g7h9woqf92-ev5fs8

抽样 1000 个随机位置来测试模型的质量：

In[2]:=2
✖
https://wolfram.com/xid/0g7h9woqf92-movia0

比较预测的海拔和通过服务器调用获得的实际海拔：

In[310]:=310
✖
https://wolfram.com/xid/0g7h9woqf92-tusmgm
Out[310]=310
In[12]:=12
✖
https://wolfram.com/xid/0g7h9woqf92-top3sx
Out[12]=12

LogLikelihood 函数预测器  (1)

加载 Fisher 的 Iris 数据集并把它分为培训集和测试集：

In[1]:=1
✖
https://wolfram.com/xid/0g7h9woqf92-tk9bkv

构建一个 LogLikelihood 函数，它在培训样本上培训一个分类器，然后对于给定的超参数选择在测试样本上给出 "LogLikelihoodRate"：

In[2]:=2
✖
https://wolfram.com/xid/0g7h9woqf92-voiwbr

培训一个预测对象，找到长方形域上的 LogLikelihood 函数的预测器：

In[3]:=3
✖
https://wolfram.com/xid/0g7h9woqf92-uju1q0
Out[3]=3

获取预测器：

In[4]:=4
✖
https://wolfram.com/xid/0g7h9woqf92-6078dm
Out[4]=4

获取探索的配置的坐标和它们的值：

In[5]:=5
✖
https://wolfram.com/xid/0g7h9woqf92-jvcnbp

可视化预测器和探索的配置的预测：

In[6]:=6
✖
https://wolfram.com/xid/0g7h9woqf92-7lxq6e
Out[6]=6
Wolfram Research (2017)，ActivePrediction，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ActivePrediction.html （更新于 2017 年）.

文本

Wolfram Research (2017)，ActivePrediction，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ActivePrediction.html （更新于 2017 年）.

CMS

Wolfram 语言. 2017. "ActivePrediction." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2017. https://reference.wolfram.com/language/ref/ActivePrediction.html.

APA

Wolfram 语言. (2017). ActivePrediction. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/ActivePrediction.html 年

BibTeX

@misc{reference.wolfram_2023_activeprediction, author="Wolfram Research", title="{ActivePrediction}", year="2017", howpublished="\url{https://reference.wolfram.com/language/ref/ActivePrediction.html}", note=[Accessed: 02-April-2025 ]}

BibLaTeX

@online{reference.wolfram_2023_activeprediction, organization={Wolfram Research}, title={ActivePrediction}, year={2017}, url={https://reference.wolfram.com/language/ref/ActivePrediction.html}, note=[Accessed: 02-April-2025 ]}