RegressionGP类

超类:CompactRegressionGP

高斯过程回归模型类

展开所有页面

描述

RegressionGP是高斯进程回归（GPR）模型。您可以培训GPR模型，使用fitrgp．使用经过训练的模型，您可以

预测使用培训数据的响应resubPredict或者使用新的预测数据预测．您还可以计算预测间隔。
使用训练数据计算回归损失resubLoss或者使用新的数据损失．

建造

创建一个RegressionGP对象的使用fitrgp．

属性

全部展开

拟合

`FitMethod`- - - - - -用于估计参数的方法
`“没有”`|`'精确的'`|`“sd”`|`“老”`|`膜集成电路的`

采用估计基函数系数β的方法;噪声标准差，σ;以及GPR模型的核参数θ作为一个字符向量存储。它可以是以下其中之一。

合适的方法	描述
`“没有”`	没有评估。`fitrgp`使用初始参数值作为参数值。
`'精确的'`	精确高斯过程回归。
`“sd”`	数据点的子集近似。
`“老”`	回归量近似的子集。
`膜集成电路的`	完全独立条件逼近。

`BasisFunction`- - - - - -显式基函数
`“没有”`|`“不变”`|`'线性'`|`“pureQuadratic”`|函数处理

GPR模型中使用的显式基函数，存储为字符向量或函数句柄。它可以是以下其中之一。如果n观察的次数，基函数加上这一项H＊β到模型，在哪里H是和的基矩阵吗β是一个p-乘1的基系数向量。

明确的基础上	基矩阵
`“没有”`	空矩阵。
`“不变”`	$H ＝ 1$ （n- × 1向量(1s)其中n是观察的次数)
`'线性'`	$H ＝［ 1 ， X ］$
`“pureQuadratic”`	$H ＝［ 1 ， X ， X_{2} ］，$ 在哪里 $X_{2} ＝［ \begin{matrix} x_{11.}^{2} & x_{12.}^{2} & \dots & x_{1 d}^{2} \\ x_{21.}^{2} & x_{22.}^{2} & \dots & x_{2 d}^{2} \\ ⋮ & ⋮ & ⋮ & ⋮ \\ x_{n 1}^{2} & x_{n 2}^{2} & \dots & x_{n d}^{2} \end{matrix} ］．$
函数处理	函数处理,`HFCN.`,这`fitrgp`电话为: $H ＝ h f c n （ X ），$ 在哪里`X`是一个n——- - - - - -d矩阵的预测和H是一个n——- - - - - -p基函数的矩阵。

数据类型:字符|function_handle

`bet`- - - - - -估计系数
向量

显式基函数的估计系数，存储为一个向量。类定义显式基函数BasisFunction中名称-值对参数fitrgp．

数据类型:双

`σ`- - - - - -估计噪声标准偏差
标量值

GPR模型的估计噪声标准偏差，存储为标量值。

数据类型:双

`CategoricalPredictors`- - - - - -分类预测指标的指数
正整数的向量

分类预测索引指定为正整数的向量。CategoricalPredictors包含与包含分类预测器的预测器数据列对应的索引值。如果没有预测器都是分类的，则此属性是空的（［］)．

数据类型:单|双

`HyperparameterOptimizationResults`- - - - - -超公数的交叉验证优化
`贝叶斯偏见`对象|桌子

此属性是只读的。

超参数的交叉验证优化，指定为a贝叶斯偏见对象或超参数和关联值表。如果这个属性是非空的“OptimizeHyperparameters”创建模型时，名称值对参数是非空的。的价值HyperparameterOptimizationResults的设置取决于优化器字段HyperParameterOptimizationOptions.结构，当您创建模型时。

的价值`优化器`场	的价值`HyperparameterOptimizationResults`
`“bayesopt”`(默认)	对象的类`贝叶斯偏见`
`“gridsearch”`或者`“randomsearch”`	使用的超参数表、观测目标函数值(交叉验证损失)、观测值从最低(最好)到最高(最差)的排序

`LogLikelihood`- - - - - -最大边际对数似然
标量值|`［］`

GPR模型的最大边际对数似然值，如果FitMethod不同于“没有”．如果FitMethod是“没有”,然后LogLikelihood是空的。

如果FitMethod是“sd”，“老”，或者膜集成电路的,然后LogLikelihood是GPR模型的边际对数似然的最大化近似。

数据类型:双

`ModelParameters`- - - - - -用于培训的参数
`GPParams`对象

用于训练GPR模型的参数，存储为GPParams目的。

核函数

`凯恩机组`- - - - - -协方差函数的形式
`'squaredExponential'`|`'Matern32'`|`“matern52”`|`“ardsquaredexponential”`|`'ardmatern32'`|`'ardmatern52'`|函数处理

GPR模型中使用的协方差函数的形式，作为包含内置协方差函数的名称的字符向量或函数句柄。它可以是以下其中之一。

功能	描述
`“squaredexponential”`	平方指数内核。
`'Matern32'`	Matern内核与参数3/2。
`“matern52”`	Matern内核与参数5/2。
`“ardsquaredexponential”`	平方指数核，每个预测器有单独的长度刻度。
`'ardmatern32'`	参数为3/2的母核，每个预测器有一个单独的长度刻度。
`'ardmatern52'`	参数为5/2的母核，每个预测器有一个单独的长度尺度。
函数处理	一个函数句柄`fitrgp`可以这样调用: `Kmn = kfcn (Xm, Xnθ)` 在哪里`Xm`是一个米——- - - - - -d矩阵,`Xn`是一个n——- - - - - -d矩阵和`Kmn`是一个米——- - - - - -n矩阵的核乘积这样s manbetx 845`Kmn`（我，j)为之间的核积`Xm`（我:),`Xn`（j:)。 `θ`是个r-by-1无约束参数向量`kfcn`．

数据类型:字符|function_handle

`elnelinformation.`- - - - - -关于内核函数参数的信息
结构体

关于GPR模型中使用的内核函数参数的信息，存储为具有以下字段的结构。

字段名	描述
`的名字`	内核函数的名称
`KernelParameters`	估计内核参数的矢量
`kernelparameternames.`	与元素相关的名称`KernelParameters`．

数据类型:结构体

预测

`PredictMethod`- - - - - -用于预测的方法
`'精确的'`|`“bcd”`|`“sd”`|`“老”`|`膜集成电路的`

方法预测用于从GPR模型中做出预测，存储为字符向量。它可以是以下其中之一。

`PredictMethod`	描述
`'精确的'`	精确的高斯进程回归
`“bcd”`	块坐标下降
`“sd”`	数据点近似的子集
`“老”`	回归器子集近似
`膜集成电路的`	完全独立条件逼近

`α`- - - - - -权重
数字矢量

用于从训练的GPR模型进行预测的权重，存储为数字向量。预测计算新的预测矩阵的预测Xnew通过使用产品

$K （ X_{n e w} ，一个）＊ α ．$

$K （ X_{n e w} ，一个）$ 矩阵之间的核乘积是什么s manbetx 845 $X_{n e w}$ 活动集向量一个和α是一个权向量。

数据类型:双

`bcdinformation.`- - - - - -的基于bcd计算的信息`α`
结构体|`［］`

基于块坐标下降(BCD)的信息计算α当PredictMethod是“bcd”，存储为包含以下字段的结构。

字段名	描述
`梯度`	n- 1载体，其中包含BCD目标函数的梯度在收敛处。
`客观的`	收敛时包含BCD目标函数的标量。
`SelectionCounts`	n-1个整数矢量表示在BCD期间将每个点的每个点的次数选择为块。

α属性包含了α从BCD计算的矢量。

如果PredictMethod不是“bcd”,然后bcdinformation.是空的。

数据类型:结构体

`ResponseTransform`- - - - - -应用于预测响应的转换
`“没有”`(默认)

转换应用于预测的响应，存储为描述模型预测的响应值如何转换的字符向量。在RegressionGP，ResponseTransform是“没有”默认情况下,RegressionGP不使用ResponseTransform在做预测时。

激活集选择

`ActiveSetVectors`- - - - - -培训数据子集
矩阵

用于从GPR模型进行预测的培训数据子集，存储为矩阵。

预测计算新的预测矩阵的预测Xnew通过使用产品

$K （ X_{n e w} ，一个）＊ α ．$

$K （ X_{n e w} ，一个）$ 矩阵之间的核乘积是什么s manbetx 845 $X_{n e w}$ 活动集向量一个和α是一个权向量。

ActiveSetVectors是否等于培训数据X用于精确的探地雷达拟合和训练数据的子集X稀疏探地雷达方法。当模型中有分类预测因子时，ActiveSetVectors包含相应预测器的虚拟变量。

数据类型:双

`ActiveSethistory.`- - - - - -活动集选择和参数估计的历史
结构体

的历史交错活动集选择和参数估计为FitMethod等于“sd”，“老”，或者膜集成电路的，以具有以下字段的结构形式存储。

字段名	描述
`ParameterVector`	包含参数向量的单元数组:基函数系数，β、核函数参数θ和噪声标准偏差σ．
`ActiveSetIndices`	包含活动集索引的单元格数组。
`Loglikelihood`	包含最大对数似然的向量。
`标准新项目`	当活动集从大小0增长到最终大小时，包含活动集选择判据值的单元数组。

数据类型:结构体

`ActivesetMethod.`- - - - - -用于选择活动集的方法
`“sgma”`|`“熵”`|`“可能性”`|`“随机”`

用于为稀疏方法选择活动集的方法(“sd”，“老”，或者膜集成电路的)，存储为字符向量。它可以是以下其中之一。

`ActivesetMethod.`	描述
`“sgma”`	稀疏贪婪矩阵逼近
`“熵”`	微分entropy-based选择
`“可能性”`	回归子的子集log基于可能性的选择
`“随机”`	随机选择

选择的活动集用于参数估计或预测，取决于选择FitMethod和PredictMethod在fitrgp．

`ActiveSetSize`- - - - - -活动集的大小
整数值

稀疏方法活动集的大小(“sd”，“老”，或者膜集成电路的)，以整数值形式存储。

数据类型:双

`IsActiveSetVector`- - - - - -选定活动集的指示器
逻辑向量

用于从训练过的GPR模型中进行预测的选定活动集的指标，存储为一个逻辑向量。这些指标标记了训练数据的子集fitrgp选择作为活动集。例如,如果X是原始的训练数据吗ActiveSetVectors = X (IsActiveSetVector:)．

数据类型:逻辑

训练数据

`NumObservations`- - - - - -培训数据中的观察次数
标量值

训练数据的观察次数，作为标量值存储。

数据类型:双

`X`- - - - - -培训数据
n——- - - - - -d桌子|n——- - - - - -d矩阵

培训数据，存储为n——- - - - - -d表或矩阵，其中n是观察人数和d是训练数据中的预测变量（列）的数量。如果GPR模型在表上培训，那么X是一张桌子。否则,X是一个矩阵。

数据类型:双|桌子

`Y`- - - - - -观察到的响应值
n1的向量

用于训练GPR模型的观察响应值，存储为n-1 vector，在哪里n是观测的数量。

数据类型:双

`PredictorNames`- - - - - -预测的名字
字符向量的单元数组

GPR模型中使用的预测器的名称，存储为字符向量的单元数组。每个名称（单元格）对应于列中的列X．

数据类型:细胞

`ExpandedPredictorNames`- - - - - -扩展预测因子的名称
字符向量的单元数组

GPR模型的扩展预测器的名称，存储为字符向量的小区数组。每个名称（单元格）对应于列中的列ActiveSetVectors．

如果模型使用虚拟变量作为分类变量，那么ExpandedPredictorNames包括描述展开变量的名称。否则,ExpandedPredictorNames是相同的PredictorNames．

数据类型:细胞

`ResponseName`- - - - - -响应变量的名称
特征向量

GPR模型中响应变量的名称，存储为字符向量。

数据类型:字符

`PredictorLocation`- - - - - -的预测因素
1-by-d向量|`［］`

如果训练数据是标准化的，存储为1-by-d向量。如果培训数据没有标准化，PredictorLocation是空的。

如果PredictorLocation不是空的，那么呢预测通过减去各个元素来为预测值值集中PredictorLocation从每一列X．

如果有分类预测，那么PredictorLocation对应于这些预测器的每个虚拟变量都包含一个0。虚拟变量不居中或缩放。

数据类型:双

`predictorscale`- - - - - -预测因子的标准差
1-by-d向量|`［］`

用于训练GPR模型的预测器的标准偏差如果培训数据标准化，则存储为1-by-d向量。如果培训数据没有标准化，predictorscale是空的。

如果predictorscale不空，何来预测方法通过划分的每一列来扩展预测器X由各自的元素predictorscale(定心后使用PredictorLocation)．

如果有分类预测，那么PredictorLocation包括对应于这些预测器的每个虚拟变量的一个1。虚拟变量不居中或缩放。

数据类型:双

`RowsUsed`- - - - - -训练中使用的行指标
逻辑向量|`［］`

用于训练GPR模型的行指标，存储为一个逻辑向量。如果所有行都用于训练模型，则RowsUsed是空的。

数据类型:逻辑

对象的功能

`紧凑的`	创建紧凑型高斯过程回归模型
`crossval`	交叉验证高斯过程回归模型
`石灰`	局部可解释模型不可知解释(LIME)
`损失`	高斯过程回归模型的回归误差
`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后拟合统计量
`预测`	高斯过程回归模型的预测响应
`resubLoss`	训练高斯过程回归模型的再替代损失
`resubPredict`	从训练高斯过程回归模型的再替代预测
`沙普利`	福利价值观

迭代数	有效集	参数向量	日志的可能性
1	一个₁	η₁	l₁
2	一个₂	η₂	l₂
3.	一个_3.	η_3.	l_3.
．..	．..	．..	．..

提示

您可以使用点表示法访问该类的属性。例如,elnelinformation.是持有内核参数及其名称的结构。因此，要访问经过培训的模型的内核函数参数gprMdl，用gprMdl.KernelInformation.KernelParameters．

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和C ++代码。

用法说明和限制:

的预测函数支持代码生成。万博1manbetx

有关更多信息，请参见代码生成简介．

另请参阅

紧凑的|CompactRegressionGP|fitrgp

主题

在R2015B中介绍

RegressionGP类

描述

建造

属性

FitMethod- - - - - -用于估计参数的方法“没有”|'精确的'|“sd”|“老”|膜集成电路的

BasisFunction- - - - - -显式基函数“没有”|“不变”|'线性'|“pureQuadratic”|函数处理

bet- - - - - -估计系数向量

σ- - - - - -估计噪声标准偏差标量值

CategoricalPredictors- - - - - -分类预测指标的指数正整数的向量

HyperparameterOptimizationResults- - - - - -超公数的交叉验证优化贝叶斯偏见对象|桌子

LogLikelihood- - - - - -最大边际对数似然标量值|［］

ModelParameters- - - - - -用于培训的参数GPParams对象

凯恩机组- - - - - -协方差函数的形式'squaredExponential'|'Matern32'|“matern52”|“ardsquaredexponential”|'ardmatern32'|'ardmatern52'|函数处理

elnelinformation.- - - - - -关于内核函数参数的信息结构体

PredictMethod- - - - - -用于预测的方法'精确的'|“bcd”|“sd”|“老”|膜集成电路的

α- - - - - -权重数字矢量

bcdinformation.- - - - - -的基于bcd计算的信息α结构体|［］

ResponseTransform- - - - - -应用于预测响应的转换“没有”(默认)

ActiveSetVectors- - - - - -培训数据子集矩阵

ActiveSethistory.- - - - - -活动集选择和参数估计的历史结构体

ActivesetMethod.- - - - - -用于选择活动集的方法“sgma”|“熵”|“可能性”|“随机”

ActiveSetSize- - - - - -活动集的大小整数值

IsActiveSetVector- - - - - -选定活动集的指示器逻辑向量

NumObservations- - - - - -培训数据中的观察次数标量值

X- - - - - -培训数据n——- - - - - -d桌子|n——- - - - - -d矩阵

Y- - - - - -观察到的响应值n1的向量

PredictorNames- - - - - -预测的名字字符向量的单元数组

ExpandedPredictorNames- - - - - -扩展预测因子的名称字符向量的单元数组

ResponseName- - - - - -响应变量的名称特征向量

PredictorLocation- - - - - -的预测因素1-by-d向量|［］

predictorscale- - - - - -预测因子的标准差1-by-d向量|［］

RowsUsed- - - - - -训练中使用的行指标逻辑向量|［］

对象的功能

更多关于

活动集选择和参数估计

提示

扩展功能

C / c++代码生成使用MATLAB®Coder™生成C和C ++代码。

另请参阅

主题

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习:MATLAB一步一步的指南

`FitMethod`- - - - - -用于估计参数的方法
`“没有”`|`'精确的'`|`“sd”`|`“老”`|`膜集成电路的`

`BasisFunction`- - - - - -显式基函数
`“没有”`|`“不变”`|`'线性'`|`“pureQuadratic”`|函数处理

`bet`- - - - - -估计系数
向量

`σ`- - - - - -估计噪声标准偏差
标量值

`CategoricalPredictors`- - - - - -分类预测指标的指数
正整数的向量

`HyperparameterOptimizationResults`- - - - - -超公数的交叉验证优化
`贝叶斯偏见`对象|桌子

`LogLikelihood`- - - - - -最大边际对数似然
标量值|`［］`

`ModelParameters`- - - - - -用于培训的参数
`GPParams`对象

`凯恩机组`- - - - - -协方差函数的形式
`'squaredExponential'`|`'Matern32'`|`“matern52”`|`“ardsquaredexponential”`|`'ardmatern32'`|`'ardmatern52'`|函数处理

`elnelinformation.`- - - - - -关于内核函数参数的信息
结构体

`PredictMethod`- - - - - -用于预测的方法
`'精确的'`|`“bcd”`|`“sd”`|`“老”`|`膜集成电路的`

`α`- - - - - -权重
数字矢量

`bcdinformation.`- - - - - -的基于bcd计算的信息`α`
结构体|`［］`

`ResponseTransform`- - - - - -应用于预测响应的转换
`“没有”`(默认)

`ActiveSetVectors`- - - - - -培训数据子集
矩阵

`ActiveSethistory.`- - - - - -活动集选择和参数估计的历史
结构体

`ActivesetMethod.`- - - - - -用于选择活动集的方法
`“sgma”`|`“熵”`|`“可能性”`|`“随机”`

`ActiveSetSize`- - - - - -活动集的大小
整数值

`IsActiveSetVector`- - - - - -选定活动集的指示器
逻辑向量

`NumObservations`- - - - - -培训数据中的观察次数
标量值

`X`- - - - - -培训数据
n——- - - - - -d桌子|n——- - - - - -d矩阵

`Y`- - - - - -观察到的响应值
n1的向量

`PredictorNames`- - - - - -预测的名字
字符向量的单元数组

`ExpandedPredictorNames`- - - - - -扩展预测因子的名称
字符向量的单元数组

`ResponseName`- - - - - -响应变量的名称
特征向量

`PredictorLocation`- - - - - -的预测因素
1-by-d向量|`［］`

`predictorscale`- - - - - -预测因子的标准差
1-by-d向量|`［］`

`RowsUsed`- - - - - -训练中使用的行指标
逻辑向量|`［］`

C / c++代码生成
使用MATLAB®Coder™生成C和C ++代码。