条款

指定在线性模型中使用哪些术语。您可以选择:

健壮的选项

指定是否使用一个健壮的目标函数，使您的模型对异常值不那么敏感。有了这个选项，拟合方法会自动为那些更可能是异常值的数据点分配更低的权重。

初始条件

指定在逐步过程的初始模型中包含的术语。你可以选择常数，线性，的相互作用，纯二次,二次．

项上界

指定逐步过程可以添加到模型中的术语的最高顺序。你可以选择线性，的相互作用，纯二次,二次．

最大台阶数

指定可在逐步过程中尝试的不同线性模型的最大数目。为了加速训练，试着减少最大的步数。选择较小的最大步骤数会降低您找到一个好的模型的机会。

最小叶大小

指定用于计算每个叶节点响应的最小训练样本数。当您生长回归树时，请考虑它的简单性和预测能力。要更改最小叶子大小，请单击按钮或在最小叶大小盒子。

代理决定分裂-仅用于丢失数据。

指定决策分割的代理使用。如果数据缺少值，可以使用代理分割来提高预测的准确性。

当您设置代理决定分裂来在，回归树在每个分支节点上发现最多10个代理分割。要更改代理分割的数量，请单击按钮或在每个节点最大代理数盒子。

当您设置代理决定分裂来找到所有，回归树在每个分支节点找到所有代理分割。的找到所有设置可以使用相当多的时间和内存。

核函数

核函数决定了在训练支持向量机之前对数据应用的非线性变换。您可以选择:

箱约束模式

方框约束控制对具有大残差的观测值施加的惩罚。一个更大的框约束提供了一个更灵活的模型。值越小，模型越刚性，对过拟合的敏感性越低。

当箱约束模式被设置为汽车，应用程序使用启发式过程选择框约束。

尝试通过手动指定框约束来调整模型。集箱约束模式来手册并指定一个值。控件中单击按钮或输入正标量值来更改值手工盒约束盒子。应用程序会自动为你预先选择一个合理的值。尝试稍微增加或减少这个值，看看这是否改进了您的模型。

ε模式

小于ε值的预测误差将被忽略，并被视为等于零。值越小，模型就越灵活。

当ε模式被设置为汽车，该应用程序使用启发式过程来选择内核规模。

尝试通过手动指定的值来调整模型。集ε模式来手册并指定一个值。控件中单击按钮或输入正标量值来更改值手动ε盒子。应用程序会自动为你预先选择一个合理的值。尝试稍微增加或减少这个值，看看这是否改进了您的模型。

内核扩展模式

核规模控制核显著变化的预测器的规模。更小的内核规模提供了更灵活的模型。

当内核扩展模式被设置为汽车，该应用程序使用启发式过程来选择内核规模。

尝试通过手动指定内核规模来调整模型。集内核扩展模式来手册并指定一个值。控件中单击按钮或输入正标量值来更改值手动内核规模盒子。应用程序会自动为你预先选择一个合理的值。尝试稍微增加或减少这个值，看看这是否改进了您的模型。

标准化

标准化预测器会使它们的均值为0，标准差为1。标准化消除了对预测器中任意尺度的依赖，并通常提高了性能。

基函数

基函数指定了高斯过程回归模型的先验均值函数的形式。你可以选择零，常数,线性．尝试选择一个不同的基函数，看看这是否改进了您的模型。

核函数

核函数决定响应的相关性，作为预报值之间距离的函数。你可以选择理性的二次，平方指数，Matern 5/2，Matern 3/2,指数．

要了解更多关于内核函数的知识，请参见核(协方差)功能选项．

使用各向同性内核

如果使用各向同性核函数，所有预测器的相关长度尺度都是相同的。使用非各向同性核函数，每个预测变量都有自己独立的相关长度尺度。

使用非各向同性核可以提高模型的准确性，但会使模型适应速度变慢。

要了解更多关于非各向同性核的知识，请看核(协方差)功能选项。

内核模式

您可以手动指定最初的内核参数的值内核规模和信号标准偏差．信号标准差是响应值的先验标准差。默认情况下，应用程序从初始值开始在本地优化内核参数。要使用固定的内核参数，请清除优化数值参数复选框。

当内核扩展模式被设置为汽车，应用程序使用启发式过程来选择初始内核参数。

如果你设置内核扩展模式来手册，可以指定初始值。单击按钮或在中输入正标量值内核规模盒子和信号标准偏差盒子。

如果你通过了使用各向同性内核选中复选框，则无法手动设置内核初始参数。

σ模式

可以手动指定最初的观测噪声标准差值σ．默认情况下，应用程序从初始值开始优化观测噪声的标准偏差。要使用固定的内核参数，请清除优化数值参数复选框。

当σ模式被设置为汽车，应用程序使用启发式程序选择初始观测噪声的标准差。

如果你设置σ模式来手册，可以指定初始值。单击按钮或在中输入正标量值σ盒子。

标准化

标准化预测器会使它们的均值为0，标准差为1。标准化消除了对预测器中任意尺度的依赖，并通常提高了性能。

优化数值参数

通过这个选项，应用程序自动优化GPR模型的数值参数。优化后的参数为基函数，核参数内核规模和信号标准偏差，观测噪声标准差σ．

最小叶大小

指定用于计算每个叶节点响应的最小训练样本数。当您生长回归树时，请考虑它的简单性和预测能力。要更改最小叶子大小，请单击按钮或在最小叶大小盒子。

许多学习者

试着改变学习者的数量，看看你是否能改进这个模型。许多学习者可以产生较高的准确性，但可能需要花费时间来适应。

学习速率

对于增强树，指定收缩的学习率。如果您将学习速率设置为小于1，则集成需要更多的学习迭代，但通常能够获得更好的准确性。0.1是一个很流行的初始选择。

完全连接的层数-指定神经网络中完全连接的层数，不包括最终用于回归的完全连接层。您最多可以选择三个完全连接的层。

第一层的大小，第二层的大小,第三层的大小-指定每个完全连接层的大小，不包括最终完全连接层。如果您选择创建具有多个完全连接层的神经网络，请考虑指定大小较小的层。

激活—指定所有全连接层的激活功能，最终全连接层除外。从以下激活功能中选择:线性整流函数（Rectified Linear Unit），双曲正切，没有一个,乙状结肠．

迭代限制—指定最大训练迭代次数。

正则化强度(λ)-指定岭(L2)正则化惩罚项。

标准化数据—指定是否标准化数值预测器。如果预测器有很大的不同尺度，标准化可以提高拟合。强烈建议对数据进行标准化。