B = mnrfit(TrainData2,LabelTrain);加入优化参数

`mnrfit` 函数本身就是一个优化函数，用于最小化多项式逻辑回归模型的负对数似然函数。如果需要对 `mnrfit` 函数进行优化，可以使用 MATLAB 自带的 `fminsearch` 函数或者其他优化函数。

以下是使用 `fminsearch` 函数对 `mnrfit` 函数进行优化的示例代码：

% 定义优化函数
optfun = @(b) mnrfit(TrainData2, LabelTrain, 'model', 'hierarchical', 'interactions', 'on', 'estdisp', 'off', 'beta0', b);

% 初始化参数向量
b0 = zeros(size(TrainData2, 2), 3);

% 设置优化参数
options = optimset('Display', 'iter', 'TolFun', 1e-6, 'MaxIter', 100);

% 使用 fminsearch 优化参数
[b, fval, exitflag] = fminsearch(optfun, b0, options);

% 输出优化结果
if exitflag == 1
    fprintf('优化成功！\n');
    fprintf('负对数似然函数值：%f\n', fval);
    fprintf('模型参数：\n');
    disp(b);
else
    fprintf('优化失败！\n');
end

其中，`mnrfit` 函数中的参数 `model`、`interactions`、`estdisp`、`beta0` 分别对应于多项式逻辑回归模型的类型、交互项、标准差估计和初始化参数。通过在 `optfun` 函数中传入这些参数，可以对 `mnrfit` 函数进行优化。`fminsearch` 函数是一个通用的优化函数，可以在 MATLAB 中直接调用。通过设置 `options` 中的参数，可以控制优化过程的细节。最终优化的结果包括模型的参数向量 `b`，负对数似然函数值 `fval`，以及优化的状态 `exitflag`。

需要注意的是，由于 `mnrfit` 函数本身就是一个优化函数，因此对其进行二次优化可能会导致结果不稳定。如果需要对多项式逻辑回归模型进行优化，建议直接使用 L-BFGS 等优化算法。