高斯过程回归模型类
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
.
创建一个RegressionGP
对象的使用fitrgp
.
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” |
(n- × 1向量(1s)其中n是观察的次数) |
'线性' |
|
“pureQuadratic” |
在哪里
|
函数处理 | 函数处理,
在哪里 |
数据类型:字符
|function_handle
bet
- - - - - -估计系数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[]
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。
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 845Kmn (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
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bcdinformation.
- - - - - -的基于bcd计算的信息α
[]
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。
ActiveSetVectors
- - - - - -培训数据子集用于从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
矩阵之间的核乘积是什么s manbetx 845 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
NumObservations
- - - - - -培训数据中的观察次数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[]
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[]
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[]
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
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 |
对于数据子集,回归器子集,或完全独立的条件近似拟合方法(FitMethod
等于“sd”
,“老”
, 或者膜集成电路的
),如果不提供活动集,fitrgp
选择活动集并在一系列迭代中计算参数估计值。
在第一次迭代中,软件使用向量中的初始参数值η0= (β0,σ0,θ0]选择活动集A1.它可以最大化GPR边缘数似然或其近似使用η0作为初始值和一个1计算新参数估计η1.接下来,它计算新的对数似然l1使用η1A.1.
在第二次迭代中,软件选择活动集A2使用η中的参数值1.然后,使用η1作为初始值和一个2,它最大化GPR边缘日志似然或其近似值并估计新的参数值η2.然后使用η.2A.2,计算新的日志似然值l2.
下表总结了迭代和每次迭代计算的内容。
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. | η3. | l3. |
... | ... | ... | ... |
该软件对指定的重复次数进行类似的迭代。属性指定用于活动集选择的复制数NumActiveSetRepeats
名称-值对的论点。
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
.
您点击了一个对应于这个MATLAB命令的链接:
通过在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。万博1manbetx
您还可以从以下列表中选择一个网站:
请选择表现最佳的中国网站(中文或英文)。MathWorks的其他国家网站并没有针对您所在位置的访问进行优化。