主要内容
高斯过程回归
高斯过程回归模型(克里格)
应用程序
| 回归的学习者 | 使用监督机器学习训练回归模型来预测数据 |
功能
fitrgp |
拟合高斯过程回归(GPR)模型 |
预测 |
预测高斯过程回归模型的响应 |
损失 |
高斯过程回归模型的回归误差 |
紧凑的 |
创建紧凑的高斯过程回归模型 |
crossval |
交叉验证高斯过程回归模型 |
石灰 |
局部可解释的模型不可知解释(LIME) |
partialDependence |
计算部分依赖 |
plotPartialDependence |
创建部分依赖图(PDP)和个人条件期望图(ICE) |
postFitStatistics |
计算精确高斯过程回归模型的拟合后统计量 |
resubLoss |
训练高斯过程回归模型的再替换损失 |
resubPredict |
训练高斯过程回归模型的再代换预测 |
沙普利 |
沙普利值 |
类
RegressionGP |
高斯过程回归模型类 |
CompactRegressionGP |
紧高斯过程回归模型类 |
主题
高斯过程回归模型是一种基于非参数核的概率模型。
在高斯过程中，协方差函数表示具有相似预测值的点将具有相似响应值的期望。
学习精确探地雷达方法的参数估计和预测。
在数据集大的情况下，数据子集近似法可以大大减少训练高斯过程回归模型所需的时间。
回归子集近似法用近似代替精确核函数。
完全独立条件(FIC)近似是一种系统地逼近真实GPR核函数的方法，它避免了SR近似的预测方差问题，同时仍然保持有效的高斯过程。
块坐标下降近似是另一种用于减少大数据集计算时间的近似方法。
你也可以从以下列表中选择一个网站:
