高斯过程回归模型类
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
.
创建一个RegressionGP
对象,使用fitrgp
.
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” |
(n-by-1向量(1s)其中n为观测数) |
“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
β
- - - - - -估计系数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[]
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[]
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。
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
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
是核积的矩阵吗下载188bet金宝搏 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
[]
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。
ActiveSetVectors
- - - - - -训练数据子集用于从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
是核积的矩阵吗下载188bet金宝搏 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
NumObservations
- - - - - -训练数据中的观察数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[]
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[]
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[]
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
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 |
对于数据子集、回归量子集或完全独立条件近似拟合方法(FitMethod
等于“sd”
,“老”
,或膜集成电路的
),如果你不提供活动集(或诱导输入集),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,软件使用矢量中的初始参数值η0= (β0,σ0,θ0选择活动集A1.它利用η使GPR的边缘对数似然或近似最大化0为初始值,A1计算新的参数估计η1.接下来,它计算新的对数似然l1使用η1和一个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,用η1为初始值,A2,使GPR的边际对数似然值或其近似值最大化,并估计新的参数值η2.然后用η2和一个2,计算新的对数似然值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. |
... | ... | ... | ... |
对于指定的重复次数,软件进行类似的迭代。属性指定活动集选择的复制数量NumActiveSetRepeats
名称-值对参数。
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
.
你的身体和身体之间的联系MATLAB-Befehl
Führen Sie den Befehl durch Eingabe in das MATLAB-Befehlsfenster aus。web浏览器unterstützen keine MATLAB-Befehle。
您也可以从以下列表中选择一个网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。