预测

预测响应为高斯核回归模型

折叠所有页面

句法

YFit =预测（MDL，X）

描述

例

YFit=预测（MDL，X）返回预测在预测数据中的每个观测响应X基于二进制高斯核回归模型MDL。

例子

全部收缩

开立真实脚本

预测使用高斯核回归模型的测试集响应carbig数据集。

加载carbig数据集。

加载carbig

指定预测变量（X）和响应变量（ÿ）。

X = [重量，圆柱体，马力，Model_Year];Y = MPG;

中删除行X和ÿ其中任一阵列具有为NaN值。删除与行为NaN将数据传递到前值fitrkernel可加快训练速度和减少内存使用。

R = rmmissing（[X Y]）;X = R（：，1：4）;Y = R（：，端）;

观测作为保留样本的储备10％。提取分区定义的训练和测试指标。

RNG（10）％用于重现N =长度（Y）;CVP = cvpartition（N，'坚持'，0.1）;idxTrn =训练（CVP）;％训练集指标idxTest =试验（CVP）;％测试集指标

标准化的训练数据和训练回归模型的内核。

Xtrain = X（idxTrn，:);Ytrain = Y（idxTrn）;[Ztrain，tr_mu，tr_sigma] = zscore（Xtrain）;％标准化训练数据tr_sigma（tr_sigma == 0）= 1;MDL = fitrkernel（Ztrain，Ytrain）
MDL = RegressionKernel ResponseName： 'Y' 学习者： 'SVM' NumExpansionDimensions：128 KernelScale：1 LAMBDA：0.0028 BoxConstraint：1的Epsilon：0.8617属性，方法

MDL是RegressionKernel模型。

利用训练数据列的相同平均值和标准偏差标准化的测试数据。预测测试集的响应。

XTEST = X（idxTest，:);ZTEST =（XTEST-tr_mu）./ tr_sigma;％标准化测试数据Ytest = Y（idxTest）;YFit =预测（MDL，ZTEST）;

创建包含第一10个观察到的响应值和预计响应值的表。

表（Ytest（1:10），YFit（1:10），'VariableNames'，...{'ObservedValue'，'PredictedValue'}）
ANS =10×2表ObservedValue PredictedValue _____________ ______________ 18 17.616 14 25.799 24 24.141 25 25.018 14 13.637 14 14.557 18 18.584 27 26.096 21 25.031 13 13.324

估计使用均方误差损失函数测试装置回归的损失。

L =损失（MDL，ZTEST，Ytest）
L = 9.2664

输入参数

全部收缩

内核回归模型，指定为RegressionKernel模型对象。您可以创建一个RegressionKernel使用模型对象fitrkernel。

预测数据，指定为ñ-通过-p数字矩阵，其中ñ是观测值的数量和p是预测的数目。p必须等于用于列车的预测变量数MDL。

数据类型：单|双

输出参数

全部收缩

预计响应，返回一个数值向量。

YFit是一个ñ-通过-1相同的数据类型作为响应数据的矢量（ÿ）用于训练MDL，其中ñ是观测的数量X。

扩展功能

也可以看看

|||

介绍了在R2018a

统计和机器学习工具箱文档
万博1manbetx
掌握机器学习：有步骤，分步指南与MATLAB

掌握机器学习：有步骤，分步指南与MATLAB

下载电子书