RegressionGP类

超类:CompactRegressionGP

高斯过程回归模型类

展开全部页面

描述

RegressionGP为高斯过程回归(GPR)模型。你可以训练探地雷达模型，使用fitrgp．使用训练过的模型，你可以

预测训练数据使用的反应resubPredict或者使用新的预测数据预测．您还可以计算预测间隔。
计算训练数据的回归损失resubLoss或者使用新数据损失．

建设

创建一个RegressionGP对象，使用fitrgp．

属性

全部展开

拟合

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

采用方法估计基函数系数，β;噪声标准差，σ;和GPR模型的核参数θ，以字符向量的形式存储。它可以是下列情况之一。

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。它可以是下列情况之一。如果n是观察数，基函数相加的项吗H*β到模型，在哪里H基矩阵是和吗β是一个p基系数的-by-1向量。

明确的基础上	基础矩阵
`“没有”`	空矩阵。
`“不变”`	$H ＝ 1$ （n-by-1向量(1s)其中n为观测数)
`“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预测因子矩阵和H是一个n——- - - - - -p基函数的矩阵。

数据类型:字符|function_handle

`β`- - - - - -估计系数
向量

显式基函数的估计系数，存储为向量。方法定义显式基函数BasisFunction中的名称-值对参数fitrgp．

数据类型:双

`σ`- - - - - -估计噪音标准偏差
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

`CategoricalPredictors`- - - - - -分类预测因子的索引
正整数向量|`［］`

分类预测指标，指定为正整数向量。CategoricalPredictors包含指示相应预测符是分类的索引值。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。如果没有一个预测符是分类的，则此属性为空(［］）.

数据类型:单|双

`HyperparameterOptimizationResults`- - - - - -超参数的交叉验证优化
`BayesianOptimization`对象|表格

此属性是只读的。

超参数的交叉验证优化，指定为BayesianOptimization对象或超参数及相关值的表。属性为非空“OptimizeHyperparameters”在创建模型时，名称-值对参数为非空。的价值HyperparameterOptimizationResults的设置优化器在HyperparameterOptimizationOptions结构。

的价值`优化器`场	的价值`HyperparameterOptimizationResults`
`“bayesopt”`(默认)	类的对象`BayesianOptimization`
`“gridsearch”`或`“randomsearch”`	使用的超参数表，观察到的目标函数值(交叉验证损失)，以及从最低(最好)到最高(最差)的观察值排序

`LogLikelihood`- - - - - -最大化边际对数似然
标量值|`［］`

最大化GPR模型的边际对数似然，存储为标量值，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”,或膜集成电路的,然后LogLikelihood为GPR模型的边际对数似然的最大近似。

数据类型:双

`ModelParameters`- - - - - -用于训练的参数
`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。它可以是下列情况之一。

函数	描述
`“squaredexponential”`	平方指数核。
`“matern32”`	参数为3/2的母核。
`“matern52”`	参数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”`	母核与参数3/2和每个预测器单独的长度尺度。
`“ardmatern52”`	母核与参数5/2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,Xn,theta)` 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这样的核积矩阵下载188bet金宝搏`Kmn`（我，j)为之间的核积`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`- - - - - -核函数的参数信息
结构

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`	估计核参数的向量
`KernelParameterNames`	的元素关联的名称`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模型中进行预测，存储为字符向量。它可以是下列情况之一。

`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

用于从训练好的GPR模型中进行预测的权重，存储为数值向量。预测计算一个新的预测矩阵的预测Xnew通过使用产品

$K （ X_{n e w} ，一个） * α ．$

$K （ X_{n e w} ，一个）$ 是核积的矩阵吗下载188bet金宝搏 $X_{n e w}$ 主动集合向量一个而且α是一个权重向量。

数据类型:双

`BCDInformation`- - - - - -关于基于bcd的计算的信息`α`
结构|`［］`

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-by-1向量，包含BCD目标函数收敛时的梯度。
`客观的`	收敛时包含BCD目标函数的标量。
`SelectionCounts`	n-by-1整数向量，表示在BCD过程中每个点被选择到块中的次数。

α属性包含α由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`- - - - - -变换应用于预测响应
`“没有”`(默认)

应用于预测响应的转换，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。

活动集选择

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

用于从GPR模型中进行预测的训练数据子集，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

$K （ X_{n e w} ，一个） * α ．$

$K （ X_{n e w} ，一个）$ 是核积的矩阵吗下载188bet金宝搏 $X_{n e w}$ 主动集合向量一个而且α是一个权重向量。

ActiveSetVectors等于训练数据吗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。当模型中存在分类预测因子时，ActiveSetVectors包含对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
结构

的历史交错主动集选择与参数估计为FitMethod等于“sd”，“老”,或膜集成电路的，存储为具有以下字段的结构。

字段名	描述
`ParameterVector`	包含参数向量的单元格数组:基函数系数β，核函数参数θ，噪声标准差σ．
`ActiveSetIndices`	包含活动集索引的单元格数组。
`Loglikelihood`	包含最大对数可能性的向量。
`CriterionProfile`	包含活动集选择条件值的单元格数组，活动集从大小0增长到最终大小。

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”,或膜集成电路的)，存储为字符向量。它可以是下列情况之一。

`ActiveSetMethod`	描述
`“sgma”`	稀疏贪婪矩阵逼近
`“熵”`	基于差分熵的选择
`“可能性”`	回归量的子集log基于可能性的选择
`“随机”`	随机选择

所选的活动集用于参数估计或预测，这取决于的选择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)，储存为整数值。

数据类型:双

`IsActiveSetVector`- - - - - -所选活动集的指标
逻辑向量

用于从训练好的GPR模型中进行预测的选定活动集的指标，存储为逻辑向量。这些指标标志着训练数据的子集fitrgp选择作为活动集。例如，如果X是原始训练数据吗activesetvector = X(IsActiveSetVector，:)．

数据类型:逻辑

训练数据

`NumObservations`- - - - - -训练数据中的观察数
标量值

训练数据中的观察数，存储为标量值。

数据类型:双

`X`- - - - - -训练数据
n——- - - - - -d表格|n——- - - - - -d矩阵

训练数据，存储为n——- - - - - -d表或矩阵，其中n观察的次数和d是训练数据中预测变量(列)的数量。如果探地雷达模型是在桌子上训练的，那么X是一张桌子。否则,X是一个矩阵。

数据类型:双|表格

`Y`- - - - - -观察到的响应值
n1的向量

观察到的响应值用于训练探地雷达模型，存储为n-by-1向量，其中n是观测的数量。

数据类型:双

`PredictorNames`- - - - - -预测因子名称
字符向量的单元格数组

GPR模型中使用的预测器名称，存储为字符向量的单元格数组。中的每个名称(单元格)对应于一个列X．

数据类型:细胞

`ExpandedPredictorNames`- - - - - -展开预测器的名称
字符向量的单元格数组

GPR模型的扩展预测器名称，存储为字符向量的单元格数组。中的每个名称(单元格)对应于一个列ActiveSetVectors．

如果模型对分类变量使用哑变量，则ExpandedPredictorNames包括描述展开变量的名称。否则,ExpandedPredictorNames和PredictorNames．

数据类型:细胞

`ResponseName`- - - - - -响应变量的名称
特征向量

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`- - - - - -预测因子的方法
1 -d向量|`［］`

用于训练GPR模型的预测器的方法，如果训练数据是标准化的，存储为1乘-d向量。如果培训数据不标准化，PredictorLocation是空的。

如果PredictorLocation不是空的，那么预测方法通过减去的各自元素将预测值居中PredictorLocation从每一栏X．

如果存在分类预测因子，那么PredictorLocation包含对应于这些预测器的每个虚拟变量的0。虚拟变量没有居中或缩放。

数据类型:双

`PredictorScale`- - - - - -预测因子的标准差
1 -d向量|`［］`

如果训练数据是标准化的，则用于训练GPR模型的预测器的标准偏差，存储为1乘-d向量。如果培训数据不标准化，PredictorScale是空的。

如果PredictorScale不是空的，那预测方法通过将的每列分割来缩放预测器X的各自元素PredictorScale(定心后使用PredictorLocation）.

如果存在分类预测因子，那么PredictorLocation包含对应于这些预测器的每个虚拟变量的1。虚拟变量没有居中或缩放。

数据类型:双

`RowsUsed`- - - - - -用于训练的行指示符
逻辑向量|`［］`

用于训练GPR模型的行指示符，存储为逻辑向量。如果所有行都用于训练模型，则RowsUsed是空的。

数据类型:逻辑

对象的功能

`紧凑的`	减小机器学习模型的尺寸
`crossval`	交叉验证机器学习模型
`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`	计算部分依赖关系
`plotPartialDependence`	创建部分依赖图(PDP)和个别条件期望图(ICE)
`postFitStatistics`	计算精确高斯过程回归模型的后拟合统计量
`预测`	预测高斯过程回归模型的响应
`resubLoss`	再置换回归损失
`resubPredict`	使用训练回归模型预测训练数据的响应
`沙普利`	沙普利值

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.	η_3.	l_3.
.．.	.．.	.．.	.．.

提示

可以使用点表示法访问该类的属性。例如,KernelInformation是保存内核参数及其名称的结构。因此，访问训练模型的核函数参数gprMdl,使用gprMdl.KernelInformation.KernelParameters．

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。金宝app

有关更多信息，请参见代码生成简介．

另请参阅

fitrgp|CompactRegressionGP|紧凑的

主题

在R2015b中引入

RegressionGP类

描述

建设

属性

FitMethod- - - - - -用于估计参数的方法“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

β- - - - - -估计系数向量

σ- - - - - -估计噪音标准偏差标量值

CategoricalPredictors- - - - - -分类预测因子的索引正整数向量|［］

HyperparameterOptimizationResults- - - - - -超参数的交叉验证优化BayesianOptimization对象|表格

LogLikelihood- - - - - -最大化边际对数似然标量值|［］

ModelParameters- - - - - -用于训练的参数GPParams对象

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

KernelInformation- - - - - -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

BCDInformation- - - - - -关于基于bcd的计算的信息α结构|［］

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

ActiveSetVectors- - - - - -训练数据子集矩阵

ActiveSetHistory- - - - - -活动集选择和参数估计的历史结构

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

IsActiveSetVector- - - - - -所选活动集的指标逻辑向量

NumObservations- - - - - -训练数据中的观察数标量值

X- - - - - -训练数据n——- - - - - -d表格|n——- - - - - -d矩阵

Y- - - - - -观察到的响应值n1的向量

PredictorNames- - - - - -预测因子名称字符向量的单元格数组

ExpandedPredictorNames- - - - - -展开预测器的名称字符向量的单元格数组

ResponseName- - - - - -响应变量的名称特征向量

PredictorLocation- - - - - -预测因子的方法1 -d向量|［］

PredictorScale- - - - - -预测因子的标准差1 -d向量|［］

RowsUsed- - - - - -用于训练的行指示符逻辑向量|［］

对象的功能

更多关于

活动集选择和参数估计

提示

扩展功能

C/ c++代码生成使用MATLAB®Coder™生成C和c++代码。

另请参阅

主题

统计和机器学习工具箱文档

金宝app

掌握机器学习:一步一步的MATLAB指南

`FitMethod`- - - - - -用于估计参数的方法
`“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

`β`- - - - - -估计系数
向量

`σ`- - - - - -估计噪音标准偏差
标量值

`CategoricalPredictors`- - - - - -分类预测因子的索引
正整数向量|`［］`

`HyperparameterOptimizationResults`- - - - - -超参数的交叉验证优化
`BayesianOptimization`对象|表格

`LogLikelihood`- - - - - -最大化边际对数似然
标量值|`［］`

`ModelParameters`- - - - - -用于训练的参数
`GPParams`对象

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

`KernelInformation`- - - - - -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

`BCDInformation`- - - - - -关于基于bcd的计算的信息`α`
结构|`［］`

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

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

`ActiveSetHistory`- - - - - -活动集选择和参数估计的历史
结构

`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

`IsActiveSetVector`- - - - - -所选活动集的指标
逻辑向量

`NumObservations`- - - - - -训练数据中的观察数
标量值

`X`- - - - - -训练数据
n——- - - - - -d表格|n——- - - - - -d矩阵

`Y`- - - - - -观察到的响应值
n1的向量

`PredictorNames`- - - - - -预测因子名称
字符向量的单元格数组

`ExpandedPredictorNames`- - - - - -展开预测器的名称
字符向量的单元格数组

`ResponseName`- - - - - -响应变量的名称
特征向量

`PredictorLocation`- - - - - -预测因子的方法
1 -d向量|`［］`

`PredictorScale`- - - - - -预测因子的标准差
1 -d向量|`［］`

`RowsUsed`- - - - - -用于训练的行指示符
逻辑向量|`［］`

C/ c++代码生成
使用MATLAB®Coder™生成C和c++代码。