CompactRegressionGP
包:classreg.learning.regr
紧凑高斯过程回归模型类
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
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” |
(n- × 1向量1s,其中n为观测次数) |
“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
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。
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
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
是之间的核乘积矩阵吗2022世界杯八强谁会赢? 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。
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
是之间的核乘积矩阵吗2022世界杯八强谁会赢? 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
计算测试数据的预测和回归损失
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
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.
版本历史
介绍了R2015b
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。
您也可以从以下列表中选择网站:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。