CompactregressionGP.

包:classreg.learning.regr

紧凑型高斯进程回归模型类

展开所有页面

描述

CompactregressionGP.是一个紧凑的高斯进程回归（GPR）模型。紧凑型模型消耗更少的内存，而不是完整模型，因为它不包括用于训练GPR模型的数据。

由于Compact Model不包含培训数据，因此使用Compact Model，您无法执行一些任务，例如交叉验证。但是，您可以使用紧凑的模型来进行预测或计算新数据的回归损耗（使用预测和损失）.

建设

compactMdl =紧凑(gprMdl)返回一个紧凑的GPR模型，compactmdl.，从一个完整的，训练有素的探地雷达模型，gprmdl.．有关更多信息，请参见袖珍的．

输入参数

展开全部

`gprmdl.`- - - - - -完整的，训练的高斯过程回归模型
`regressiongp.`模型

完整，训练有素的高斯进程回归模型，指定为aregressiongp.模型，返回fitrgp.．

特性

展开全部

配件

`Fitmethod.`- - - - - -方法用于估计参数
`“没有”`|`“准确”`|`'SD'`|`“老”`|`'fic'`

用于估计基函数系数的方法，β;噪声标准差，σ;将探地雷达模型的核参数θ存储为字符向量。它可能是下列情况之一。

合适的方法	描述
`“没有”`	没有估计。`fitrgp.`使用初始参数值作为参数值。
`“准确”`	精确的高斯进程回归。
`'SD'`	数据点近似子集。
`“老”`	回归器子集近似。
`'fic'`	完全独立的条件近似。

`基本功能`- - - - - -显式基函数
`“没有”`|`'持续的'`|`'线性'`|`'purequadratic'`|函数处理

在GPR模型中使用的显式基函数，存储为字符向量或函数句柄。它可能是下列情况之一。如果n是观察的数量，基础函数增加了这个术语H＊β到模型，其中H基矩阵是和吗β是A.p-1个基础系数矢量矢量系数。

明确的基础上	基础矩阵
`“没有”`	空矩阵。
`'持续的'`	$H ＝ 1$ （n1的-乘1向量n是观察人数）
`'线性'`	$H ＝［ 1 ， X ］$
`'purequadratic'`	$H ＝［ 1 ， X ， X_{2} ］，$ 在哪里 $X_{2} ＝［ \begin{matrix} x_{11}^{2} & x_{12}^{2} & \dots & x_{1 d}^{2} \\ x_{21.}^{2} & x_{22.}^{2} & \dots & x_{2 d}^{2} \\ ⋮ & ⋮ & ⋮ & ⋮ \\ x_{n 1}^{2} & x_{n 2}^{2} & \dots & x_{n d}^{2} \end{matrix} ］．$
功能手柄	函数处理,`hfcn`,这`fitrgp.`呼叫为： $H ＝ h f c n （ X ），$ 在哪里`X`是一个n-经过-d预测矩阵和H是一个n-经过-p基函数的矩阵。

数据类型：char|function_handle

`分类预测器`- - - - - -分类预测指标
正整数向量

分类预测指标，指定为一个正整数向量。分类预测器包含与包含分类预测器的预测器数据列对应的索引值。如果没有任何预测器是绝对的，则此属性为空([]）.

数据类型：单身的|双倍的

`β`- - - - - -估计系数
向量

用于显式基本函数的估计系数，存储为向量。您可以通过使用介绍显式基本功能基本功能名称 - 值对参数fitrgp.．

数据类型：双倍的

`Sigma.`- - - - - -估计噪声标准偏差
标量值

GPR模型的估计噪声标准差，存储为标量值。

数据类型：双倍的

`ModelParameters`- - - - - -训练参数
`GPParams.`对象

用于训练GPR模型的参数，存储为GPParams.对象。

核函数

`凯恩机组`- - - - - -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，作为包含内置协方差函数的名称的字符向量或函数句柄。它可能是下列情况之一。

函数	描述
`“squaredexponential”`	平方指数内核。
`“matern32”`	母核参数为3/2。
`'Matern52'`	母核参数为5/2。
`'ardsquaredexponential'`	平方指数内核，每个预测器具有单独的长度尺度。
`“ardmatern32”`	母核与参数3/2和一个独立的长度尺度每个预测器。
`“ardmatern52”`	Matern内核与参数5/2和每个预测器的单独长度尺度。
功能手柄	函数处理`fitrgp.`可以像这样打电话： `KMN = KFCN（XM，XN，THETA）` 在哪里`XM.`是一个米-经过-d矩阵，`XN.`是一个n-经过-d矩阵和`KMN.`是一个米-经过-n核乘积的矩阵下载188bet金宝搏`KMN.`（我，j）是内核产品`XM.`（我:),`XN.`（j，:)。 `θ`是r- 1-1无限制参数向量`kfcn.`．

数据类型：char|function_handle

`elnelinformation.`- - - - - -关于核函数参数的信息
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。

字段名称	描述
`姓名`	内核函数的名称
`KernelParameters`	估计内核参数的矢量
`kernelparameternames.`	与元素相关的名称`KernelParameters`．

数据类型：结构体

预测

`PredictMethod`- - - - - -用来做预测的方法
`“准确”`|`'bcd'`|`'SD'`|`“老”`|`'fic'`

方法,预测用于根据GPR模型进行预测，并存储为字符向量。它可能是下列情况之一。

`PredictMethod`	描述
`“准确”`	精确高斯过程回归
`'bcd'`	块坐标血落
`'SD'`	数据点近似子集
`“老”`	回归量近似子集
`'fic'`	完全独立的条件近似

`Α`- - - - - -权重
数值向量

权重用于根据训练过的探地雷达模型进行预测，存储为数值向量。预测计算新的预测矩阵的预测XNew.通过使用产品

$K （ X_{n e w} ，一个）＊ α. ．$

$K （ X_{n e w} ，一个）$ 是核乘积的矩阵吗下载188bet金宝搏 $X_{n e w}$ 和主动设置矢量一个和α.是重量的矢量。

数据类型：双倍的

`OrkeTransform.`- - - - - -转型适用于预测的反应
`“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.，OrkeTransform.是“没有”默认情况下,regressiongp.不使用OrkeTransform.在做预测。

活动集选择

`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子集，存储为矩阵。

预测计算新的预测矩阵的预测XNew.通过使用产品

$K （ X_{n e w} ，一个）＊ α. ．$

$K （ X_{n e w} ，一个）$ 是核乘积的矩阵吗下载188bet金宝搏 $X_{n e w}$ 和主动设置矢量一个和α.是重量的矢量。

ActiveSetVectors等于训练数据吗X用于精确地探地雷达拟合和训练数据的子集X对于稀疏GPR方法。当模型中有分类预测器时，ActiveSetVectors包含相应预测器的虚拟变量。

数据类型：双倍的

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

方法用于为稀疏方法选择活动集('SD'，“老”，或者'fic'），存储为字符向量。它可能是下列情况之一。

`ActiveSetMethod`	描述
`'sgma'`	稀疏贪婪矩阵近似
`'熵'`	基于差分熵的选择
`“可能性”`	回归器子集日志基于似然的选择
`“随机”`	随机选择

选择的活动集用于参数估计或预测，这取决于选择Fitmethod.和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”，或者'fic')，存储为整数值。

数据类型：双倍的

对象的功能

`酸橙`	局部可解释的模型不可知解释(LIME)
`损失`	高斯过程回归模型的回归误差
`partialDependence`	计算部分依赖
`绘图竞争依赖性`	创建部分依赖图(PDP)和个人条件期望图(ICE)
`预测`	高斯过程回归模型的预测响应
`沙普利`	沙普利值

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．

扩展能力

C / C ++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用说明和限制：

的预测功能支持代码生成。金宝app

有关更多信息，请参见代码生成简介．

另请参阅

袖珍的|fitrgp.|regressiongp.

主题

介绍了R2015b

CompactregressionGP.

描述

建设

输入参数

`gprmdl.`- - - - - -完整的，训练的高斯过程回归模型
`regressiongp.`模型

特性

`Fitmethod.`- - - - - -方法用于估计参数
`“没有”`|`“准确”`|`'SD'`|`“老”`|`'fic'`