高斯过程回归
高斯过程回归模型（Kriging）
应用
| 回归学习者 | 火车回归模型以预测使用监督机器学习的数据 |
职能
课堂
回归 |
高斯进程回归模型类 |
compactregressiongp. |
紧凑型高斯进程回归模型类 |
块
| RegersionGP预测 | 使用高斯过程（GP）回归模型预测响应 |
话题
- 高斯过程回归模型
高斯进程回归（GPR）模型是基于非参数内核的概率模型。
- 内核（协方差）功能选项
在高斯进程中，协方差函数表达了具有类似预测值值的点的期望将具有相似的响应值。
- 精确的GPR方法
以精确的GPR方法学习参数估计和预测。
- GPR模型的数据近似子集
利用大数据集，数据近似方法的子集可以大大减少培训高斯过程回归模型所需的时间。
- GPR模型的回归器近似值
回归器近似方法的子集通过近似替换精确的内核函数。
- GPR模型的完全独立条件近似
完全独立的条件（FIC）近似是一种系统地近似于真正的GPR内核功能的方式，其避免了SR近似的预测方差问题，同时仍然保持有效的高斯过程。
- GPR模型的阻止坐标血压近似
块坐标血管下降近似是用于减少大数据集的计算时间的另一近似方法。
- 使用RegentionGP预测块预测响应
培训高斯过程（GP）回归模型，然后使用RegersionGP预测响应预测块。
您还可以从以下列表中选择一个网站：