CompactRegressionGP

包:classreg.learning.regr

紧凑高斯过程回归模型类

在页面中全部展开

描述

CompactRegressionGP是一个紧凑的高斯过程回归(GPR)模型。紧凑模型比完整模型消耗更少的内存，因为它不包括用于训练GPR模型的数据。

因为紧凑模型不包括训练数据，所以您不能使用紧凑模型执行一些任务，例如交叉验证。然而，您可以使用紧凑模型进行预测或计算回归损失的新数据(使用预测而且损失）.

建设

创建一个CompactRegressionGP对象从完整的RegressionGP通过使用紧凑的．

属性

全部展开

拟合

`FitMethod`- - - - - -估计参数的方法
`“没有”`|`“准确”`|`“sd”`|`“老”`|`膜集成电路的`

估计基函数系数的方法为β;噪声标准差，σ;和GPR模型的核参数θ，存储为特征向量。它可能是以下情况之一。

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。
`“准确”`	精确高斯过程回归。
`“sd”`	子集数据点近似。
`“老”`	回归量子集近似。
`膜集成电路的`	完全独立条件近似。

`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。它可能是以下情况之一。如果n是观察数，基函数加上项吗H＊β到模型中H基底是和吗β是一个p-乘1的基系数向量。

明确的基础上	基础矩阵
`“没有”`	空矩阵。
`“不变”`	$H ＝ 1$ （n- × 1向量1s，其中n为观测次数)
`“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预测矩阵和H是一个n——- - - - - -p基函数的矩阵。

数据类型:字符|function_handle

`CategoricalPredictors`- - - - - -类别预测器的索引
正整数向量|`［］`

分类预测指标，指定为正整数的向量。CategoricalPredictors包含指示相应的预测器是分类的索引值。索引值在1和之间p,在那里p用于训练模型的预测器的数量。如果没有一个预测器是绝对的，则此属性为空(［］）.

数据类型:单|双

`β`- - - - - -估计系数
向量

显式基函数的估计系数，存储为一个向量。方法可以定义显式基函数BasisFunction中的名称-值对参数fitrgp．

数据类型:双

`σ`- - - - - -估计噪声标准差
标量值

GPR模型的估计噪声标准差，存储为标量值。

数据类型:双

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

用于训练探地雷达模型的参数，存储为GPParams对象。

核函数

`KernelFunction`- - - - - -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，存储为包含内置协方差函数名称或函数句柄的字符向量。它可能是以下情况之一。

函数	描述
`“squaredexponential”`	平方指数内核。
`“matern32”`	参数为3/2的母核。
`“matern52”`	参数为5/2的母核。
`“ardsquaredexponential”`	平方指数核与每个预测器单独的长度尺度。
`“ardmatern32”`	参数为3/2的母核和每个预测器单独的长度尺度。
`“ardmatern52”`	参数为5/2的母核和每个预测器单独的长度尺度。
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核乘积的矩阵2022世界杯八强谁会赢？`Kmn`（我，j)是之间的核积`Xm`（我:),`Xn`（j:)。 `θ`是r-by-1无约束参数向量`kfcn`．

数据类型:字符|function_handle

`KernelInformation`- - - - - -内核函数的参数信息
结构

关于GPR模型中使用的核函数参数的信息，存储为具有以下字段的结构。

字段名	描述
`的名字`	核函数的名称
`KernelParameters`	估计核参数的向量
`KernelParameterNames`	的元素相关的名称`KernelParameters`．

数据类型:结构体

预测

`PredictMethod`- - - - - -用于预测的方法
`“准确”`|`“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。它可能是以下情况之一。

`PredictMethod`	描述
`“准确”`	精确高斯过程回归
`“bcd”`	块坐标下降
`“sd”`	子集数据点近似
`“老”`	回归量的子集近似
`膜集成电路的`	完全独立条件逼近

`α`- - - - - -权重
数值向量

用于从训练过的探地雷达模型中进行预测的权重，存储为数字向量。预测计算一个新的预测矩阵的预测Xnew通过使用产品

$K （ X_{n e w} ，一个）＊ α ．$

$K （ X_{n e w} ，一个）$ 是之间的核乘积矩阵吗2022世界杯八强谁会赢？ $X_{n e w}$ 和活动集合向量一个而且α是一个权值向量。

数据类型:双

`ResponseTransform`- - - - - -应用于预测响应的变换
`“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。

激活集选择

`ActiveSetVectors`- - - - - -训练数据子集
矩阵

用于从探地雷达模型进行预测的训练数据的子集，存储为矩阵。

预测计算一个新的预测矩阵的预测Xnew通过使用产品

$K （ X_{n e w} ，一个）＊ α ．$

$K （ X_{n e w} ，一个）$ 是之间的核乘积矩阵吗2022世界杯八强谁会赢？ $X_{n e w}$ 和活动集合向量一个而且α是一个权值向量。

ActiveSetVectors等于训练数据吗X用于精确探地雷达拟合和训练数据的子集X对于稀疏探地雷达方法。当模型中存在范畴预测器时，ActiveSetVectors包含对应预测器的虚拟变量。

数据类型:双

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

方法，用于为稀疏方法选择活动集(“sd”，“老”,或膜集成电路的)，存储为字符向量。它可能是以下情况之一。

`ActiveSetMethod`	描述
`“sgma”`	稀疏贪婪矩阵逼近
`“熵”`	微分entropy-based选择
`“可能性”`	回归量的子集记录了基于似然的选择
`“随机”`	随机选择

所选活动集用于参数估计或预测，取决于的选择FitMethod而且PredictMethod在fitrgp．

`ActiveSetSize`- - - - - -活动集的大小
整型值

稀疏方法的活动集的大小(“sd”，“老”,或膜集成电路的)，存储为整数值。

数据类型:双

对象的功能

`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`	创建偏依赖图(PDP)和个体条件期望图(ICE)
`预测`	预测高斯过程回归模型的响应
`沙普利`	沙普利值

例子

全部折叠

计算测试数据的预测和回归损失

打开生活的脚本

生成示例训练数据。

rng (1)%的再现性n = 100000;X = linspace (0, 1, n) ';X = [X, X ^ 2];y = 1 + X *[1, 2] +罪(20 * X * [1, 2]) + 0.2 * randn (n, 1);

使用回归量子集(“老”)近似方法，并利用数据子集(“sd”)方法。使用活动集中的50个点和稀疏贪婪矩阵近似(“sgma”)方法进行主动集选择。由于第一和第二预测因子的尺度不同，因此将数据标准化是一种很好的做法。

gprMdl = fitrgp (X, y,“KernelFunction”，“squaredExponential”，“FitMethod”，.．.“老”，“PredictMethod”，“sd”，“基础”，“没有”，“ActiveSetSize”, 50岁,.．.“ActiveSetMethod”，“sgma”，“标准化”,1，“KernelParameters”, (1, 1));

fitrgp接受拟合、预测和主动集选择方法的任何组合。在某些情况下，可能无法计算预测响应的标准偏差，因此预测区间。看到提示．而且，在某些情况下，由于训练数据的大小，使用精确的方法可能会很昂贵。

创建一个紧凑的GPR对象。

cgprMdl =紧凑(gprMdl);

生成测试数据。

n = 4000;Xnew = linspace (0, 1, n) ';Xnew = (Xnew Xnew。^ 2);ynew = 1 + Xnew *[1, 2] +罪(20 * Xnew * [1, 2]) + 0.2 * randn (n, 1);

利用压缩对象预测试验数据的响应和预测间隔。

[ypred, ~,开办]=预测(cgprMdl Xnew);

绘制真实反应、预测反应和预测间隔。

图绘制(ynew,“r”)举行在情节(ypred“b”)情节(开办(:1),“k——”)情节(开办(:,2),“k——”)传说(“真正的反应”，“探地雷达预测”，“95%预测限制”，“位置”，“最佳”)包含(“x”) ylabel (“y”)举行从

图中包含一个axes对象。axis对象包含4个line类型的对象。这些对象代表真实响应，探地雷达预测，95%预测极限。

使用训练过的探地雷达模型计算测试数据的均方误差损失。

L =损失(cgprMdl Xnew ynew)

L = 0.0497

复制语义

价值。要了解值类如何影响复制操作，请参见复制对象．

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项和限制:

的预测函数支持代码生成。

有关更多信息，请参见代码生成简介．

版本历史

介绍了R2015b

另请参阅

fitrgp|紧凑的|RegressionGP

CompactRegressionGP

描述

建设

属性

FitMethod- - - - - -估计参数的方法“没有”|“准确”|“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

CategoricalPredictors- - - - - -类别预测器的索引正整数向量|［］

β- - - - - -估计系数向量

σ- - - - - -估计噪声标准差标量值

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

KernelFunction- - - - - -协方差函数的形式“squaredExponential”|“matern32”|“matern52”|“ardsquaredexponential”|“ardmatern32”|“ardmatern52”|函数处理

KernelInformation- - - - - -内核函数的参数信息结构

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

α- - - - - -权重数值向量

ResponseTransform- - - - - -应用于预测响应的变换“没有”(默认)

ActiveSetVectors- - - - - -训练数据子集矩阵

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

ActiveSetSize- - - - - -活动集的大小整型值

对象的功能

例子

计算测试数据的预测和回归损失

复制语义

扩展功能

C / c++代码生成使用MATLAB®Coder™生成C和c++代码。

版本历史

另请参阅

主题

`FitMethod`- - - - - -估计参数的方法
`“没有”`|`“准确”`|`“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

`CategoricalPredictors`- - - - - -类别预测器的索引
正整数向量|`［］`

`β`- - - - - -估计系数
向量

`σ`- - - - - -估计噪声标准差
标量值

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

`KernelFunction`- - - - - -协方差函数的形式
`“squaredExponential”`|`“matern32”`|`“matern52”`|`“ardsquaredexponential”`|`“ardmatern32”`|`“ardmatern52”`|函数处理

`KernelInformation`- - - - - -内核函数的参数信息
结构

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

`α`- - - - - -权重
数值向量

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

`ActiveSetVectors`- - - - - -训练数据子集
矩阵

`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
整型值

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。