fitrgpGYDF4y2Ba

适合高斯进程回归（GPR）模型GYDF4y2Ba

折叠所有页面GYDF4y2Ba

语法GYDF4y2Ba

gprmdl = fitrgp（tbl，responsevarname）GYDF4y2Ba

GPRMDL = FITRGP（TBL，公式）GYDF4y2Ba

gprMdl = fitrgp(资源描述,y)GYDF4y2Ba

gprMdl = fitrgp（X，Y）GYDF4y2Ba

gprMdl=fitrgp(GYDF4y2Ba___GYDF4y2Ba、名称、值)GYDF4y2Ba

描述GYDF4y2Ba

例子GYDF4y2Ba

gprMdlGYDF4y2Ba= fitrgp (GYDF4y2Ba资源描述GYDF4y2Ba,GYDF4y2BaResponseVarNameGYDF4y2Ba)GYDF4y2Ba返回使用示例数据训练的高斯进程回归（GPR）模型GYDF4y2Ba资源描述GYDF4y2Ba,在那里GYDF4y2BaResponseVarNameGYDF4y2Ba是响应变量的名称GYDF4y2Ba资源描述GYDF4y2Ba．GYDF4y2Ba

gprMdlGYDF4y2Ba= fitrgp (GYDF4y2Ba资源描述GYDF4y2Ba,GYDF4y2Ba公式GYDF4y2Ba)GYDF4y2Ba返回高斯过程回归（GPR）模型，使用中的样本数据进行训练GYDF4y2Ba资源描述GYDF4y2Ba的预测变量和响应变量GYDF4y2Ba公式GYDF4y2Ba．GYDF4y2Ba

gprMdlGYDF4y2Ba= fitrgp (GYDF4y2Ba资源描述GYDF4y2Ba,GYDF4y2BaYGYDF4y2Ba)GYDF4y2Ba返回表中预测器的GPR模型GYDF4y2Ba资源描述GYDF4y2Ba连续响应向量GYDF4y2BaYGYDF4y2Ba．GYDF4y2Ba

例子GYDF4y2Ba

gprMdlGYDF4y2Ba= fitrgp (GYDF4y2BaXGYDF4y2Ba,GYDF4y2BaYGYDF4y2Ba)GYDF4y2Ba返回预测器的GPR模型GYDF4y2BaXGYDF4y2Ba连续响应向量GYDF4y2BaYGYDF4y2Ba．GYDF4y2Ba

例子GYDF4y2Ba

gprMdlGYDF4y2Ba= fitrgp (GYDF4y2Ba___GYDF4y2Ba,GYDF4y2Ba名称，价值GYDF4y2Ba)GYDF4y2Ba返回任何的在前面的语法的输入参数的GPR模型，与由一个或多个指定的附加选项GYDF4y2Ba名称，价值GYDF4y2Ba对参数。GYDF4y2Ba

例如，您可以指定拟合方法、预测方法、协方差函数或活动集选择方法。您还可以训练一个交叉验证的模型。GYDF4y2Ba

gprMdlGYDF4y2Ba是一个GYDF4y2BaRegressionGPGYDF4y2Ba对象。有关该类的方法和属性，请参见GYDF4y2BaRegressionGPGYDF4y2Ba类页面。GYDF4y2Ba

如果您培训交叉验证的模型，那么GYDF4y2BagprMdlGYDF4y2Ba是一个GYDF4y2Ba回归排放性的模型GYDF4y2Ba对象对于交叉验证对象的进一步分析，请使用GYDF4y2Ba回归排放性的模型GYDF4y2Ba班级。有关此类的方法，请参见GYDF4y2Ba回归排放性的模型GYDF4y2Ba类页面。GYDF4y2Ba

例子GYDF4y2Ba

全部折叠GYDF4y2Ba

使用表中的数据训练GPR模型GYDF4y2Ba

此示例使用鲍鱼数据GYDF4y2Ba［1］GYDF4y2Ba,GYDF4y2Ba［2］GYDF4y2Ba，来自UCI机器学习知识库GYDF4y2Ba［3］GYDF4y2Ba．下载数据并将其保存在当前文件夹中GYDF4y2Baabalone.data.GYDF4y2Ba．GYDF4y2Ba

将数据存储到表中。显示前7行。GYDF4y2Ba

tbl =可读取的（GYDF4y2Ba“abalone.data”GYDF4y2Ba,GYDF4y2Ba'文件类型'GYDF4y2Ba,GYDF4y2Ba“文本”GYDF4y2Ba,GYDF4y2Ba......GYDF4y2Ba“ReadVariableNames”GYDF4y2Ba，错误的）;tbl.properties.variablenames = {GYDF4y2Ba“性”GYDF4y2Ba,GYDF4y2Ba'长度'GYDF4y2Ba,GYDF4y2Ba“直径”GYDF4y2Ba,GYDF4y2Ba“高度”GYDF4y2Ba,GYDF4y2Ba......GYDF4y2Ba'WWeight'GYDF4y2Ba,GYDF4y2Ba“SWeight”GYDF4y2Ba,GYDF4y2Ba“体重”GYDF4y2Ba,GYDF4y2Ba'shweight'GYDF4y2Ba,GYDF4y2Ba“NoShellRings”GYDF4y2Ba};台(1:7,:)GYDF4y2Ba

ANS =性别长度直径高度WWeight SWeight VWeight ShWeight NoShellRings ___ ______ ________ ______ _______ _______ ________ ____________ 'M' 0.455 0.365 0.095 0.514 0.2245 0.101 0.15 15 'M' 0.35 0.265 0.09 0.2255 0.0995 0.0485 0.07 7 'F' 0.53 0.42 0.135 0.677 0.25650.1415 0.21 9'M'0.44 0.365 0.125 0.116 0.25 0.25 0.114 0.155 10'I'0.33 0.255 0.08 0.205 0.080 0.03 0.30 0.095 0.30.095 0.095 0.30 0.30 0.095 0.3515 0.141 0.095 0.15 0.7775 0.237 0.10 0.330 0.237 0.15 0.330 0.237 0.15 0.330GYDF4y2Ba

该数据集有4177个观察。我们的目标是从八个物理测量预测鲍鱼的年龄。最后一个变量，外壳的响铃次数显示了鲍鱼的年龄。第一预测是分类变量。该表中的最后一个变量是响应变量。GYDF4y2Ba

采用回归子集法进行参数估计，采用完全独立条件法进行预测，拟合探地雷达模型。将预测值标准化。GYDF4y2Ba

gprmdl = fitrgp（tbl，GYDF4y2Ba“NoShellRings”GYDF4y2Ba,GYDF4y2Ba“KernelFunction”GYDF4y2Ba,GYDF4y2Ba“ardsquaredexponential”GYDF4y2Ba,GYDF4y2Ba......GYDF4y2Ba“FitMethod”GYDF4y2Ba,GYDF4y2Ba“sr”GYDF4y2Ba,GYDF4y2Ba'predictmethod'GYDF4y2Ba,GYDF4y2Ba'fic'GYDF4y2Ba,GYDF4y2Ba“标准化”GYDF4y2Ba, 1)GYDF4y2Ba

grMdl = RegressionGP PredictorNames：{1×8细胞} ResponseName： 'Var9' ResponseTransform： '无' NumObservations：4177 KernelFunction： 'ARDSquaredExponential' KernelInformation：[1x1的结构] BasisFunction： '恒' 贝塔：10.9148西格玛：2.0243 PredictorLocation：[10×双]PredictorScale：[10×双]阿尔法：[1000x1双] ActiveSetVectors：[1000x10双] PredictMethod： 'FIC' ActiveSetSize：1000使用fitmethod： 'SR' ActiveSetMethod： '随机' IsActiveSetVector：[4177x1逻辑]对数似然：-9.0013e + 03 ActiveSetHistory：[1x1的结构] BCDInformation：[]GYDF4y2Ba

使用训练过的模型预测反应。GYDF4y2Ba

Ypred = ResubPredict（GPRMDL）;GYDF4y2Ba

绘制真实反应和预测反应。GYDF4y2Ba

图();绘图（tbl.noshellrings，GYDF4y2Ba“r”。GYDF4y2Ba）;抓住GYDF4y2Ba在GYDF4y2Ba情节(ypredGYDF4y2Ba“b”GYDF4y2Ba）;Xlabel（GYDF4y2Ba'X'GYDF4y2Ba); 伊拉贝尔(GYDF4y2Ba'是'GYDF4y2Ba); 传奇({GYDF4y2Ba'数据'GYDF4y2Ba,GYDF4y2Ba“预测”GYDF4y2Ba}，GYDF4y2Ba'地点'GYDF4y2Ba,GYDF4y2Ba“最好的”GYDF4y2Ba）;轴([0 4300 0 30]);抓住GYDF4y2Ba离开GYDF4y2Ba；GYDF4y2Ba

计算训练数据上的回归损失(再替换损失)。GYDF4y2Ba

L = resubLoss (gprMdl)GYDF4y2Ba

L = 4.0064GYDF4y2Ba

训练探地雷达模型和绘图预测GYDF4y2Ba

打开直播脚本GYDF4y2Ba

生成样本数据。GYDF4y2Ba

rng（0，GYDF4y2Ba“旋风”GYDF4y2Ba）;GYDF4y2Ba重复性的％GYDF4y2BaN = 1000;X = linspace（-10,10，N）';Y = 1 + X * 5E-2 +的sin（x）./ X + 0.2 * randn（N，1）;GYDF4y2Ba

利用线性基函数和精确拟合方法对探地雷达模型参数进行拟合。还要使用精确的预测方法。GYDF4y2Ba

gprMdl = fitrgp (x, y,GYDF4y2Ba“基础”GYDF4y2Ba,GYDF4y2Ba“线性”GYDF4y2Ba,GYDF4y2Ba......GYDF4y2Ba“FitMethod”GYDF4y2Ba,GYDF4y2Ba“准确”GYDF4y2Ba,GYDF4y2Ba'predictmethod'GYDF4y2Ba,GYDF4y2Ba“准确”GYDF4y2Ba）;GYDF4y2Ba

预测对应于行的响应GYDF4y2BaxGYDF4y2Ba（重新提出预测）使用培训的模型。GYDF4y2Ba

Ypred = ResubPredict（GPRMDL）;GYDF4y2Ba

用预测值绘制真实的响应。GYDF4y2Ba

绘图（x，y，GYDF4y2Ba“b.”GYDF4y2Ba）;抓住GYDF4y2Ba在GYDF4y2Ba；情节(x, ypred,GYDF4y2Ba“r”GYDF4y2Ba,GYDF4y2Ba“线宽”GYDF4y2Ba，1.5）;Xlabel（GYDF4y2Ba'X'GYDF4y2Ba); 伊拉贝尔(GYDF4y2Ba'是'GYDF4y2Ba）;传奇(GYDF4y2Ba'数据'GYDF4y2Ba,GYDF4y2Ba“探地雷达预测”GYDF4y2Ba）;抓住GYDF4y2Ba离开GYDF4y2Ba

图中包含一个坐标轴。轴线包含2个线型对象。这些对象代表数据，GPR预测。GYDF4y2Ba

指定初始内核参数值的影响GYDF4y2Ba

打开直播脚本GYDF4y2Ba

加载示例数据。GYDF4y2Ba

装载(GYDF4y2Ba“gprdata2.mat”GYDF4y2Ba)GYDF4y2Ba

该数据具有一个预测变量和连续响应。这是模拟数据。GYDF4y2Ba

采用具有默认核参数的平方指数核函数拟合GPR模型。GYDF4y2Ba

gprMdl1 = fitrgp (x, y,GYDF4y2Ba“KernelFunction”GYDF4y2Ba,GYDF4y2Ba“squaredexponential”GYDF4y2Ba）;GYDF4y2Ba

现在，拟合第二个模型，其中指定内核参数的初始值。GYDF4y2Ba

sigma0 = 0.2;Kparams0 = [3.5, 6.2];gprMdl2 = fitrgp (x, y,GYDF4y2Ba“KernelFunction”GYDF4y2Ba,GYDF4y2Ba“squaredexponential”GYDF4y2Ba,GYDF4y2Ba......GYDF4y2Ba“内核参数”GYDF4y2Bakparams0,GYDF4y2Ba“σ”GYDF4y2Ba, sigma0);GYDF4y2Ba

从两个模型计算再替代预测。GYDF4y2Ba

ypred1 = resubPredict (gprMdl1);ypred2 = resubPredict (gprMdl2);GYDF4y2Ba

从两个模型和训练数据中绘制反应预测。GYDF4y2Ba

图();绘图（x，y，GYDF4y2Ba“r”。GYDF4y2Ba）;抓住GYDF4y2Ba在GYDF4y2Baplot（x，ypred1，GYDF4y2Ba“b”GYDF4y2Ba）;情节(x, ypred2,GYDF4y2Ba‘g’GYDF4y2Ba）;Xlabel（GYDF4y2Ba'X'GYDF4y2Ba); 伊拉贝尔(GYDF4y2Ba'是'GYDF4y2Ba); 传奇({GYDF4y2Ba'数据'GYDF4y2Ba,GYDF4y2Ba“默认内核参数”GYDF4y2Ba,GYDF4y2Ba......GYDF4y2Ba'kparams0 = [3.5,6.2]， sigma0 = 0.2'GYDF4y2Ba}，GYDF4y2Ba......GYDF4y2Ba'地点'GYDF4y2Ba,GYDF4y2Ba“最好的”GYDF4y2Ba）;标题(GYDF4y2Ba'初始内核参数值的影响'GYDF4y2Ba）;抓住GYDF4y2Ba离开GYDF4y2Ba

图中包含一个坐标轴。与初始内核参数值的标题影响轴线包含型线的3个对象。这些对象表示的数据，默认内核参数，kparams0 = [3.5,6.2]，sigma0 = 0.2。GYDF4y2Ba

边际对数的可能性GYDF4y2BafitrgpGYDF4y2Ba最大估计GPR参数有多个局部解;金宝搏官方网站它收敛的解取决于初始点。每个局部解对应于数据的特定解释。在本例中，具有默认初始内核参数的解决方案对应的是带有高噪声的低频信号，而具有自定义初始内核参数的第二个解决方案对应的是带有低噪声的高频信号。GYDF4y2Ba

使用独立的长度尺度预测GYDF4y2Ba

打开直播脚本GYDF4y2Ba

加载示例数据。GYDF4y2Ba

装载(GYDF4y2Ba“gprdata.mat”GYDF4y2Ba)GYDF4y2Ba

有六个连续的预测变量。在训练数据集中有500个观察和测试数据集中的100个观察。这是模拟数据。GYDF4y2Ba

拟合一个GPR模型使用平方指数核函数与每个预测器的长度尺度。协方差函数定义为:GYDF4y2Ba

$KGYDF4y2Ba (GYDF4y2Ba {xGYDF4y2Ba}_{我GYDF4y2Ba},GYDF4y2Ba {xGYDF4y2Ba}_{JGYDF4y2Ba} |GYDF4y2Ba θ.GYDF4y2Ba)GYDF4y2Ba =GYDF4y2Ba {σGYDF4y2Ba}_{FGYDF4y2Ba}^{2.GYDF4y2Ba} EGYDF4y2Ba xGYDF4y2Ba PGYDF4y2Ba [GYDF4y2Ba -GYDF4y2Ba \frac{1.GYDF4y2Ba}{2.GYDF4y2Ba} {\sumGYDF4y2Ba}_{MGYDF4y2Ba =GYDF4y2Ba 1.GYDF4y2Ba}^{DGYDF4y2Ba} \frac{{(GYDF4y2Ba {xGYDF4y2Ba}_{我GYDF4y2Ba MGYDF4y2Ba} -GYDF4y2Ba {xGYDF4y2Ba}_{JGYDF4y2Ba MGYDF4y2Ba})GYDF4y2Ba}^{2.GYDF4y2Ba}}{{σGYDF4y2Ba}_{MGYDF4y2Ba}^{2.GYDF4y2Ba}}]GYDF4y2Ba ．GYDF4y2Ba$

在哪里GYDF4y2Ba ${σGYDF4y2Ba}_{MGYDF4y2Ba}$ 表示预测器的长度尺度GYDF4y2Ba $MGYDF4y2Ba$ ,GYDF4y2Ba $MGYDF4y2Ba$ = 1，2，...，GYDF4y2Ba $DGYDF4y2Ba$ 和GYDF4y2Ba ${σGYDF4y2Ba}_{FGYDF4y2Ba}$ 是信号的标准偏差。无约束参数化GYDF4y2Ba $θ.GYDF4y2Ba$ 是GYDF4y2Ba

$\begin{array}{l} {θ.GYDF4y2Ba}_{MGYDF4y2Ba} =GYDF4y2Ba 日志GYDF4y2Ba {σGYDF4y2Ba}_{MGYDF4y2Ba},GYDF4y2Ba FGYDF4y2Ba oGYDF4y2Ba RGYDF4y2Ba MGYDF4y2Ba =GYDF4y2Ba 1.GYDF4y2Ba,GYDF4y2Ba 2.GYDF4y2Ba,GYDF4y2Ba ．GYDF4y2Ba ．GYDF4y2Ba ．GYDF4y2Ba,GYDF4y2Ba DGYDF4y2Ba \\ {θ.GYDF4y2Ba}_{DGYDF4y2Ba +GYDF4y2Ba 1.GYDF4y2Ba} =GYDF4y2Ba 日志GYDF4y2Ba {σGYDF4y2Ba}_{FGYDF4y2Ba} ．GYDF4y2Ba \end{array}$

初始化核函数的长度尺度为10，信号和噪声的标准差为响应的标准差。GYDF4y2Ba

sigma0=std（钇铁氧体）；sigmaF0=sigma0；d=尺寸（Xtrain，2）；sigmaM0=10*个（d，1）；GYDF4y2Ba

利用初始核参数值拟合GPR模型。标准化训练数据中的预测器。使用精确的拟合和预测方法。GYDF4y2Ba

gprMdl=fitrgp（Xtrain，ytrain，GYDF4y2Ba“基础”GYDF4y2Ba,GYDF4y2Ba'持续的'GYDF4y2Ba,GYDF4y2Ba“FitMethod”GYDF4y2Ba,GYDF4y2Ba“准确”GYDF4y2Ba,GYDF4y2Ba......GYDF4y2Ba'predictmethod'GYDF4y2Ba,GYDF4y2Ba“准确”GYDF4y2Ba,GYDF4y2Ba“KernelFunction”GYDF4y2Ba,GYDF4y2Ba“ardsquaredexponential”GYDF4y2Ba,GYDF4y2Ba......GYDF4y2Ba“内核参数”GYDF4y2Ba(sigmaM0; sigmaF0),GYDF4y2Ba“σ”GYDF4y2Ba，sigma0，GYDF4y2Ba“标准化”GYDF4y2Ba，1）;GYDF4y2Ba

计算测试数据的回归丢失。GYDF4y2Ba

l =损耗（GPRMDL，XTEST，YEST）GYDF4y2Ba

L = 0.6919GYDF4y2Ba

访问内核信息。GYDF4y2Ba

gprMdl.KernelInformationGYDF4y2Ba

ans =.GYDF4y2Ba结构与字段：GYDF4y2Ba名称:'ARDSquaredExponential' KernelParameters: [7x1 double] KernelParameterNames: {7x1 cell}GYDF4y2Ba

显示内核参数名称。GYDF4y2Ba

gprMdl.KernelInformation.KernelParameterNamesGYDF4y2Ba

ans =.GYDF4y2Ba7 x1细胞GYDF4y2Ba{ 'LengthScale1'} { 'LengthScale2'} { 'LengthScale3'} { 'LengthScale4'} { 'LengthScale5'} { 'LengthScale6'} { 'SigmaF'}GYDF4y2Ba

显示内核参数。GYDF4y2Ba

sigmam = gprmdl.kernelinformation.kernelparameters（1：结束-1,1）GYDF4y2Ba

西格曼=GYDF4y2Ba6×1GYDF4y2Ba10GYDF4y2Ba^4.GYDF4y2Ba× 0.0004 0.0007 0.0004 5.2711 0.1018 0.0056GYDF4y2Ba

sigmaF = gprMdl.KernelInformation.KernelParameters(结束)GYDF4y2Ba

sigmaF = 28.1721GYDF4y2Ba

σ= gprMdl。σGYDF4y2Ba

σ= 0.8162GYDF4y2Ba

绘制学习过的长度尺度的对数。GYDF4y2Ba

图()图((1:d)的日志(sigmaM),GYDF4y2Ba“ro - - - - - -”GYDF4y2Ba）;Xlabel（GYDF4y2Ba“尺度号”GYDF4y2Ba); 伊拉贝尔(GYDF4y2Ba“长度尺度的日志”GYDF4y2Ba）;GYDF4y2Ba

图中包含一个坐标轴。轴包含类型线的对象。GYDF4y2Ba

第4和第5预测变量的长度尺度对数相对于其他预测变量较高。这些预测变量对反应的影响不像其他预测变量那样大。GYDF4y2Ba

拟合GPR模型，不使用第4和第5变量作为预测变量。GYDF4y2Ba

X = [Xtrain(:，1:3) Xtrain(:，6)];sigma0 =性病(ytrain);sigmaF0 = sigma0;d =大小(X, 2);sigmaM0 = 10 * 1 (d, 1);ytrain gprMdl = fitrgp (X,GYDF4y2Ba“基础”GYDF4y2Ba,GYDF4y2Ba'持续的'GYDF4y2Ba,GYDF4y2Ba“FitMethod”GYDF4y2Ba,GYDF4y2Ba“准确”GYDF4y2Ba,GYDF4y2Ba......GYDF4y2Ba'predictmethod'GYDF4y2Ba,GYDF4y2Ba“准确”GYDF4y2Ba,GYDF4y2Ba“KernelFunction”GYDF4y2Ba,GYDF4y2Ba“ardsquaredexponential”GYDF4y2Ba,GYDF4y2Ba......GYDF4y2Ba“内核参数”GYDF4y2Ba(sigmaM0; sigmaF0),GYDF4y2Ba“σ”GYDF4y2Ba，sigma0，GYDF4y2Ba“标准化”GYDF4y2Ba，1）;GYDF4y2Ba

计算测试数据的回归误差。GYDF4y2Ba

xtest = [xtest (:，1:3) xtest (:，6)];L =损失(gprMdl xtest、欧美)GYDF4y2Ba

L = 0.6928GYDF4y2Ba

这种损失类似于所有变量都用作预测变量时的损失。GYDF4y2Ba

计算测试数据的预测响应。GYDF4y2Ba

ypred=预测（gprMdl，xtest）；GYDF4y2Ba

绘制原始响应以及拟合值。GYDF4y2Ba

图形绘图（ytest，GYDF4y2Ba“r”GYDF4y2Ba）;抓住GYDF4y2Ba在GYDF4y2Ba；情节(ypredGYDF4y2Ba“b”GYDF4y2Ba）;传奇(GYDF4y2Ba“真实反应”GYDF4y2Ba,GYDF4y2Ba的探地雷达预测值GYDF4y2Ba,GYDF4y2Ba'地点'GYDF4y2Ba,GYDF4y2Ba“最好的”GYDF4y2Ba）;抓住GYDF4y2Ba离开GYDF4y2Ba

图中包含一个轴。轴包含2个类型为line的对象。这些对象表示真实响应、探地雷达预测值。GYDF4y2Ba

优化GPR回归GYDF4y2Ba

打开直播脚本GYDF4y2Ba

此示例显示如何自动优化超级参数GYDF4y2BafitrgpGYDF4y2Ba．示例使用GYDF4y2Bagprdata2GYDF4y2Ba软件附带的数据。GYDF4y2Ba

加载数据。GYDF4y2Ba

装载(GYDF4y2Ba“gprdata2.mat”GYDF4y2Ba)GYDF4y2Ba

该数据具有一个预测变量和连续响应。这是模拟数据。GYDF4y2Ba

采用具有默认核参数的平方指数核函数拟合GPR模型。GYDF4y2Ba

gprMdl1 = fitrgp (x, y,GYDF4y2Ba“KernelFunction”GYDF4y2Ba,GYDF4y2Ba“squaredexponential”GYDF4y2Ba）;GYDF4y2Ba

通过使用自动超参数优化，找到最小化五倍交叉验证损失的超参数。GYDF4y2Ba

对于再现性，设置随机种子并使用GYDF4y2Ba'预期改善加'GYDF4y2Ba采集功能。GYDF4y2Ba

rngGYDF4y2Ba默认GYDF4y2BagprMdl2 = fitrgp (x, y,GYDF4y2Ba“KernelFunction”GYDF4y2Ba,GYDF4y2Ba“squaredexponential”GYDF4y2Ba,GYDF4y2Ba......GYDF4y2Ba“OptimizeHyperparameters”GYDF4y2Ba,GYDF4y2Ba“汽车”GYDF4y2Ba,GYDF4y2Ba“HyperparameterOptimizationOptions”GYDF4y2Ba,GYDF4y2Ba......GYDF4y2Bastruct（GYDF4y2Ba“AcquisitionFunctionName”GYDF4y2Ba,GYDF4y2Ba'预期改善加'GYDF4y2Ba））;GYDF4y2Ba

|======================================================================================| | Iter | Eval |目的:| |目的BestSoFar | BestSoFarσ| | | | |结果日志(1 +损失)运行时| | | (estim(观察) .) | | |======================================================================================| | 最好1 | | 0.29417 | 3.8014 | 0.29417 | 0.29417 | 0.0015045 | | 2 |最好| 0.037898 | 2.3697 | 0.037898 | 0.060792 | 0.14147 | 1.5693 | | | 3 |接受1.。3.4.66 | 0.037898 | 0.040633 | 25.279 | | 4 | Accept | 0.29417 | 3.2405 | 0.037898 | 0.037984 | 0.0001091 | | 5 | Accept | 0.29393 | 3.6886 | 0.037898 | 0.038029 | 0.029932 | | 6 | Accept | 0.13152 | 2.5384 | 0.037898 | 0.038127 | 0.37127 | | 7 | Best | 0.037785 | 2.908 | 0.037785 | 0.037728 | 0.18116 | | 8 | Accept | 0.03783 | 2.4022 | 0.037785 | 0.036524 | 0.16251 | | 9 | Accept | 0.037833 | 3.2078 | 0.037785 | 0.036854 | 0.16159 | | 10 | Accept | 0.037835 | 3.2365 | 0.037785 | 0.037052 | 0.16072 | | 11 | Accept | 0.29417 | 4.1395 | 0.037785 | 0.03705 | 0.00038214 | | 12 | Accept | 0.42256 | 2.0066 | 0.037785 | 0.03696 | 3.2067 | | 13 | Accept | 0.03786 | 2.9333 | 0.037785 | 0.037087 | 0.15245 | | 14 | Accept | 0.29417 | 3.232 | 0.037785 | 0.037043 | 0.0063584 | | 15 | Accept | 0.42302 | 1.7815 | 0.037785 | 0.03725 | 1.2221 | | 16 | Accept | 0.039486 | 3.1474 | 0.037785 | 0.037672 | 0.10069 | | 17 | Accept | 0.038591 | 2.6533 | 0.037785 | 0.037687 | 0.12077 | | 18 | Accept | 0.038513 | 3.2545 | 0.037785 | 0.037696 | 0.1227 | | 19 | Best | 0.037757 | 2.6655 | 0.037757 | 0.037572 | 0.19621 | | 20 | Accept | 0.037787 | 3.4284 | 0.037757 | 0.037601 | 0.18068 | |======================================================================================| | Iter | Eval | Objective: | Objective | BestSoFar | BestSoFar | Sigma | | | result | log(1+loss) | runtime | (observed) | (estim.) | | |======================================================================================| | 21 | Accept | 0.44917 | 2.4057 | 0.037757 | 0.03766 | 8.7818 | | 22 | Accept | 0.040201 | 2.6673 | 0.037757 | 0.037601 | 0.075414 | | 23 | Accept | 0.040142 | 1.9583 | 0.037757 | 0.037607 | 0.087198 | | 24 | Accept | 0.29417 | 2.9673 | 0.037757 | 0.03758 | 0.0031018 | | 25 | Accept | 0.29417 | 3.4317 | 0.037757 | 0.037555 | 0.00019545 | | 26 | Accept | 0.29417 | 3.1168 | 0.037757 | 0.037582 | 0.013608 | | 27 | Accept | 0.29417 | 2.9817 | 0.037757 | 0.037556 | 0.00076147 | | 28 | Accept | 0.42162 | 2.0327 | 0.037757 | 0.037854 | 0.6791 | | 29 | Best | 0.037704 | 2.6461 | 0.037704 | 0.037908 | 0.2367 | | 30 | Accept | 0.037725 | 2.3107 | 0.037704 | 0.037881 | 0.21743 |

图中包含一个坐标轴。标题为“最小目标vs.函数计算数”的轴包含2个类型为line的对象。这些对象代表最小观测目标、最小估计目标。GYDF4y2Ba

图中包含一个坐标轴。标题为目标函数模型的轴包含8个线型对象。这些对象代表观测点，模型均值，模型误差棒，噪声误差棒，下一个点，模型最小可行。GYDF4y2Ba

__________________________________________________________ 优化完成。maxobjective达到30个。总功能评估:30总运行时间:113.8526秒总目标函数评估时间:84.5001最佳观测可行点:Sigma ______ 0.2367观测的目标函数值= 0.037704估计的目标函数值= 0.038223函数评估时间= 2.6461最佳估计可行点(根据模型):Sigma _______ 0.16159估计目标函数值= 0.037881估计函数评价时间= 2.6927GYDF4y2Ba

比较优化前后的拟合。GYDF4y2Ba

ypred1 = resubPredict (gprMdl1);ypred2 = resubPredict (gprMdl2);图();绘图（x，y，GYDF4y2Ba“r”。GYDF4y2Ba）;抓住GYDF4y2Ba在GYDF4y2Baplot（x，ypred1，GYDF4y2Ba“b”GYDF4y2Ba）;情节(x, ypred2,GYDF4y2Ba“k”GYDF4y2Ba,GYDF4y2Ba“线宽”GYDF4y2Ba2);Xlabel（GYDF4y2Ba'X'GYDF4y2Ba); 伊拉贝尔(GYDF4y2Ba'是'GYDF4y2Ba); 传奇({GYDF4y2Ba'数据'GYDF4y2Ba,GYDF4y2Ba“初始健康”GYDF4y2Ba,GYDF4y2Ba“最佳配合”GYDF4y2Ba}，GYDF4y2Ba'地点'GYDF4y2Ba,GYDF4y2Ba“最好的”GYDF4y2Ba）;标题(GYDF4y2Ba优化的影响GYDF4y2Ba）;抓住GYDF4y2Ba离开GYDF4y2Ba

图中包含一个轴。具有优化标题影响的轴包含3个类型为line的对象。这些对象表示数据、初始拟合、优化拟合。GYDF4y2Ba

使用交叉验证列车GPR模型GYDF4y2Ba

将数据存储在GYDF4y2Ba表格GYDF4y2Ba．显示前7行。GYDF4y2Ba

tbl =可读取的（GYDF4y2Ba“abalone.data”GYDF4y2Ba,GYDF4y2Ba'文件类型'GYDF4y2Ba,GYDF4y2Ba“文本”GYDF4y2Ba,GYDF4y2Ba“ReadVariableNames”GYDF4y2Ba，错误的）;tbl.properties.variablenames = {GYDF4y2Ba“性”GYDF4y2Ba,GYDF4y2Ba'长度'GYDF4y2Ba,GYDF4y2Ba“直径”GYDF4y2Ba,GYDF4y2Ba“高度”GYDF4y2Ba,GYDF4y2Ba'WWeight'GYDF4y2Ba,GYDF4y2Ba“SWeight”GYDF4y2Ba,GYDF4y2Ba“体重”GYDF4y2Ba,GYDF4y2Ba'shweight'GYDF4y2Ba,GYDF4y2Ba“NoShellRings”GYDF4y2Ba};台(1:7,:)GYDF4y2Ba

ANS =性别长度直径高度WWeight SWeight VWeight ShWeight NoShellRings ___ ______ ________ ______ _______ _______ ________ ____________ 'M' 0.455 0.365 0.095 0.514 0.2245 0.101 0.15 15 'M' 0.35 0.265 0.09 0.2255 0.0995 0.0485 0.07 7 'F' 0.53 0.42 0.135 0.677 0.25650.1415 0.21 9'M'0.44 0.365 0.125 0.116 0.25 0.25 0.114 0.155 10'I'0.33 0.255 0.08 0.205 0.080 0.03 0.30 0.095 0.30.095 0.095 0.30 0.30 0.095 0.3515 0.141 0.095 0.15 0.7775 0.237 0.10 0.330 0.237 0.15 0.330 0.237 0.15 0.330GYDF4y2Ba

使用25%的数据进行验证，训练一个交叉验证的GPR模型。GYDF4y2Ba

rng (GYDF4y2Ba“默认”GYDF4y2Ba)GYDF4y2Ba重复性的％GYDF4y2BacvgprMdl=fitrgp（待定，GYDF4y2Ba“NoShellRings”GYDF4y2Ba,GYDF4y2Ba“标准化”GYDF4y2Ba, 1GYDF4y2Ba“坚持”GYDF4y2Ba, 0.25);GYDF4y2Ba

使用培训的折叠折叠折叠的平均损失计算折叠的折叠的平均损失。GYDF4y2Ba

kfoldLoss（cvgprMdl）GYDF4y2Ba

ans = 4.6409GYDF4y2Ba

预测折叠数据的响应。GYDF4y2Ba

ypred = kfoldPredict (cvgprMdl);GYDF4y2Ba

绘制用于测试和预测的真实反应。GYDF4y2Ba

图();情节(ypred (cvgprMdl.Partition.test));抓住GYDF4y2Ba在GYDF4y2Ba；y = table2array(资源描述(:,结束));情节(y (cvgprMdl.Partition.test),GYDF4y2Ba“r”。GYDF4y2Ba); 轴（[0 1050 0 30]）；xlabel(GYDF4y2Ba'X'GYDF4y2Ba）ylabel（GYDF4y2Ba'是'GYDF4y2Ba)举行GYDF4y2Ba离开GYDF4y2Ba；GYDF4y2Ba

使用自定义内核功能适合GPR模型GYDF4y2Ba

打开直播脚本GYDF4y2Ba

生成示例数据。GYDF4y2Ba

rng（0，GYDF4y2Ba“旋风”GYDF4y2Ba）;GYDF4y2Ba重复性的％GYDF4y2BaN = 1000;X = linspace（-10,10，N）';Y = 1 + X * 5E-2 +的sin（x）./ X + 0.2 * randn（N，1）;GYDF4y2Ba

将平方指数内核函数定义为自定义内核功能。GYDF4y2Ba

你可以计算平方指数核函数GYDF4y2Ba

$KGYDF4y2Ba (GYDF4y2Ba {xGYDF4y2Ba}_{我GYDF4y2Ba},GYDF4y2Ba {xGYDF4y2Ba}_{JGYDF4y2Ba} |GYDF4y2Ba θ.GYDF4y2Ba)GYDF4y2Ba =GYDF4y2Ba {σGYDF4y2Ba}_{FGYDF4y2Ba}^{2.GYDF4y2Ba} exp.GYDF4y2Ba (GYDF4y2Ba -GYDF4y2Ba \frac{1.GYDF4y2Ba}{2.GYDF4y2Ba} \frac{(GYDF4y2Ba {xGYDF4y2Ba}_{我GYDF4y2Ba} -GYDF4y2Ba {xGYDF4y2Ba}_{JGYDF4y2Ba} {)GYDF4y2Ba}^{TGYDF4y2Ba} (GYDF4y2Ba {xGYDF4y2Ba}_{我GYDF4y2Ba} -GYDF4y2Ba {xGYDF4y2Ba}_{JGYDF4y2Ba})GYDF4y2Ba}{{σGYDF4y2Ba}_{LGYDF4y2Ba}^{2.GYDF4y2Ba}})GYDF4y2Ba,GYDF4y2Ba$

在哪里GYDF4y2Ba ${σGYDF4y2Ba}_{FGYDF4y2Ba}$ 为信号标准差，GYDF4y2Ba ${σGYDF4y2Ba}_{LGYDF4y2Ba}$ 是长度比例。这两个GYDF4y2Ba ${σGYDF4y2Ba}_{FGYDF4y2Ba}$ 和GYDF4y2Ba ${σGYDF4y2Ba}_{LGYDF4y2Ba}$ 必须大于零。这个条件可以通过无约束参数化来实现，GYDF4y2Ba ${σGYDF4y2Ba}_{LGYDF4y2Ba} =GYDF4y2Ba exp.GYDF4y2Ba (GYDF4y2Ba θ.GYDF4y2Ba (GYDF4y2Ba 1.GYDF4y2Ba)GYDF4y2Ba)GYDF4y2Ba$ 和GYDF4y2Ba ${σGYDF4y2Ba}_{FGYDF4y2Ba} =GYDF4y2Ba exp.GYDF4y2Ba (GYDF4y2Ba θ.GYDF4y2Ba (GYDF4y2Ba 2.GYDF4y2Ba)GYDF4y2Ba)GYDF4y2Ba$ ，对于一些未受控参数化矢量GYDF4y2Ba $θ.GYDF4y2Ba$ ．GYDF4y2Ba

因此，您可以将平方指数内核函数定义为自定义内核函数，如下所示：GYDF4y2Ba

kfcn = @ (XN, XM,θ)(exp(θ(2))^ 2)* exp (- (pdist2 (XN, XM)。^ 2)/ (2 * exp(θ(1))^ 2));GYDF4y2Ba

在这里GYDF4y2BaPDIST2（XN，XM）。^ 2GYDF4y2Ba计算距离矩阵。GYDF4y2Ba

使用自定义内核函数拟合GPR模型，GYDF4y2BakfcnGYDF4y2Ba. 指定内核参数的初始值（因为您使用自定义内核函数，所以必须为无约束参数化向量提供初始值，GYDF4y2Ba西塔GYDF4y2Ba）.GYDF4y2Ba

theta0 = [1.5, 0.2];gprMdl = fitrgp (x, y,GYDF4y2Ba“KernelFunction”GYDF4y2Bakfcn,GYDF4y2Ba“内核参数”GYDF4y2Ba, theta0);GYDF4y2Ba

fitrgpGYDF4y2Ba使用内置核函数时使用解析导数来估计参数，而使用自定义核函数时使用数值导数。GYDF4y2Ba

计算该模型的再替换损失。GYDF4y2Ba

L = resubLoss (gprMdl)GYDF4y2Ba

L = 0.0391GYDF4y2Ba

使用内置平方指数内核功能选项拟合GPR模型。指定内核参数的初始值（因为您使用内置自定义内核功能并指定初始参数值，您必须直接提供信号标准偏差和长度尺度的初始值）。GYDF4y2Ba

sigmaL0 = exp (1.5);sigmaF0 = exp (0.2);gprMdl2 = fitrgp (x, y,GYDF4y2Ba“KernelFunction”GYDF4y2Ba,GYDF4y2Ba“squaredexponential”GYDF4y2Ba,GYDF4y2Ba“内核参数”GYDF4y2Ba(sigmaL0 sigmaF0]);GYDF4y2Ba

计算该模型的再替换损失。GYDF4y2Ba

l2 = RERUBLOS（GPRMDL2）GYDF4y2Ba

L2 = 0.0391GYDF4y2Ba

这两个损失值与预期相同。GYDF4y2Ba

指定LBFGS优化的初始步长GYDF4y2Ba

打开直播脚本GYDF4y2Ba

火车产生的数据的GPR模型预测很多。指定LBFGS优化器的初始步长。GYDF4y2Ba

为结果的重现性设置随机数生成器的种子和类型。GYDF4y2Ba

rng（0，GYDF4y2Ba“旋风”GYDF4y2Ba）;GYDF4y2Ba重复性的％GYDF4y2Ba

生成包含300个观察值和3000个预测值的样本数据，其中响应变量取决于第4、7和13个预测值。GYDF4y2Ba

N=300；P=3000；X=兰特（N，P）；y=cos（X（：，7））+sin（X（：，4）。*X（：，13））+0.1*randn（N，1）；GYDF4y2Ba

为内核参数设置初始值。GYDF4y2Ba

sigmal0 = sqrt（p）*α（p，1）;GYDF4y2Ba%预测因子长度标度GYDF4y2BasigmaF0 = 1;GYDF4y2Ba信号标准差GYDF4y2Ba

设置初始噪声标准差为GYDF4y2Ba1.GYDF4y2Ba．GYDF4y2Ba

sigman0 = 1;GYDF4y2Ba

指定GYDF4y2Ba1)依照GYDF4y2Ba作为相对梯度范数的终止容限。GYDF4y2Ba

选择= statset (GYDF4y2Ba“fitrgp”GYDF4y2Ba）;选择。ToLFun = 1e-2;

利用初始核参数值、初始噪声标准差和自动相关性确定(ARD)平方指数核函数拟合GPR模型。GYDF4y2Ba

指定初始步长为1，用于确定LBFGS优化器的初始Hessian近似。GYDF4y2Ba

gpr = fitrgp（x，y，GYDF4y2Ba“KernelFunction”GYDF4y2Ba,GYDF4y2Ba“ardsquaredexponential”GYDF4y2Ba,GYDF4y2Ba“详细”GYDF4y2Ba, 1GYDF4y2Ba......GYDF4y2Ba“优化”GYDF4y2Ba,GYDF4y2Ba“lbfgs”GYDF4y2Ba,GYDF4y2Ba“OptimizerOptions”GYDF4y2Ba，OPTS，GYDF4y2Ba......GYDF4y2Ba“内核参数”GYDF4y2Ba(sigmaL0; sigmaF0),GYDF4y2Ba“σ”GYDF4y2Ba，sigman0，GYDF4y2Ba“InitialStepSize”GYDF4y2Ba，1）;GYDF4y2Ba

o参数估计：FitMethod =精确，优化器= LBFGS O Solver = LBFGS，Hessianhistorysize = 15，LineSearchMethod =弱狼| ==================================================================================================== ||磨练|有趣的价值|常规毕业|规范步骤|抑制|伽玛|alpha |接受| |====================================================================================================| | 0 | 3.004966e+02 | 2.569e+02 | 0.000e+00 | | 3.893e-03 | 0.000e+00 | YES | | 1 | 9.525779e+01 | 1.281e+02 | 1.003e+00 | OK | 6.913e-03 | 1.000e+00 | YES | | 2 | 3.972026e+01 | 1.647e+01 | 7.639e-01 | OK | 4.718e-03 | 5.000e-01 | YES | | 3 | 3.893873e+01 | 1.073e+01 | 1.057e-01 | OK | 3.243e-03 | 1.000e+00 | YES | | 4 | 3.859904e+01 | 5.659e+00 | 3.282e-02 | OK | 3.346e-03 | 1.000e+00 | YES | | 5 | 3.748912e+01 | 1.030e+01 | 1.395e-01 | OK | 1.460e-03 | 1.000e+00 | YES | | 6 | 2.028104e+01 | 1.380e+02 | 2.010e+00 | OK | 2.326e-03 | 1.000e+00 | YES | | 7 | 2.001849e+01 | 1.510e+01 | 9.685e-01 | OK | 2.344e-03 | 1.000e+00 | YES | | 8 | -7.706109e+00 | 8.340e+01 | 1.125e+00 | OK | 5.771e-04 | 1.000e+00 | YES | | 9 | -1.786074e+01 | 2.323e+02 | 2.647e+00 | OK | 4.217e-03 | 1.250e-01 | YES | | 10 | -4.058422e+01 | 1.972e+02 | 6.796e-01 | OK | 7.035e-03 | 1.000e+00 | YES | | 11 | -7.850209e+01 | 4.432e+01 | 8.335e-01 | OK | 3.099e-03 | 1.000e+00 | YES | | 12 | -1.312162e+02 | 3.334e+01 | 1.277e+00 | OK | 5.432e-02 | 1.000e+00 | YES | | 13 | -2.005064e+02 | 9.519e+01 | 2.828e+00 | OK | 5.292e-03 | 1.000e+00 | YES | | 14 | -2.070150e+02 | 1.898e+01 | 1.641e+00 | OK | 6.817e-03 | 1.000e+00 | YES | | 15 | -2.108086e+02 | 3.793e+01 | 7.685e-01 | OK | 3.479e-03 | 1.000e+00 | YES | | 16 | -2.122920e+02 | 7.057e+00 | 1.591e-01 | OK | 2.055e-03 | 1.000e+00 | YES | | 17 | -2.125610e+02 | 4.337e+00 | 4.818e-02 | OK | 1.974e-03 | 1.000e+00 | YES | | 18 | -2.130162e+02 | 1.178e+01 | 8.891e-02 | OK | 2.856e-03 | 1.000e+00 | YES | | 19 | -2.139378e+02 | 1.933e+01 | 2.371e-01 | OK | 1.029e-02 | 1.000e+00 | YES | |====================================================================================================| | ITER | FUN VALUE | NORM GRAD | NORM STEP | CURV | GAMMA | ALPHA | ACCEPT | |====================================================================================================| | 20 | -2.151111e+02 | 1.550e+01 | 3.015e-01 | OK | 2.765e-02 | 1.000e+00 | YES | | 21 | -2.173046e+02 | 5.856e+00 | 6.537e-01 | OK | 1.414e-02 | 1.000e+00 | YES | | 22 | -2.201781e+02 | 8.918e+00 | 8.484e-01 | OK | 6.381e-03 | 1.000e+00 | YES | | 23 | -2.288858e+02 | 4.846e+01 | 2.311e+00 | OK | 2.661e-03 | 1.000e+00 | YES | | 24 | -2.392171e+02 | 1.190e+02 | 6.283e+00 | OK | 8.113e-03 | 1.000e+00 | YES | | 25 | -2.511145e+02 | 1.008e+02 | 1.198e+00 | OK | 1.605e-02 | 1.000e+00 | YES | | 26 | -2.742547e+02 | 2.207e+01 | 1.231e+00 | OK | 3.191e-03 | 1.000e+00 | YES | | 27 | -2.849931e+02 | 5.067e+01 | 3.660e+00 | OK | 5.184e-03 | 1.000e+00 | YES | | 28 | -2.899797e+02 | 2.068e+01 | 1.162e+00 | OK | 6.270e-03 | 1.000e+00 | YES | | 29 | -2.916723e+02 | 1.816e+01 | 3.213e-01 | OK | 1.415e-02 | 1.000e+00 | YES | | 30 | -2.947674e+02 | 6.965e+00 | 1.126e+00 | OK | 6.339e-03 | 1.000e+00 | YES | | 31 | -2.962491e+02 | 1.349e+01 | 2.352e-01 | OK | 8.999e-03 | 1.000e+00 | YES | | 32 | -3.004921e+02 | 1.586e+01 | 9.880e-01 | OK | 3.940e-02 | 1.000e+00 | YES | | 33 | -3.118906e+02 | 1.889e+01 | 3.318e+00 | OK | 1.213e-01 | 1.000e+00 | YES | | 34 | -3.189215e+02 | 7.086e+01 | 3.070e+00 | OK | 8.095e-03 | 1.000e+00 | YES | | 35 | -3.245557e+02 | 4.366e+00 | 1.397e+00 | OK | 2.718e-03 | 1.000e+00 | YES | | 36 | -3.254613e+02 | 3.751e+00 | 6.546e-01 | OK | 1.004e-02 | 1.000e+00 | YES | | 37 | -3.262823e+02 | 4.011e+00 | 2.026e-01 | OK | 2.441e-02 | 1.000e+00 | YES | | 38 | -3.325606e+02 | 1.773e+01 | 2.427e+00 | OK | 5.234e-02 | 1.000e+00 | YES | | 39 | -3.350374e+02 | 1.201e+01 | 1.603e+00 | OK | 2.674e-02 | 1.000e+00 | YES | |====================================================================================================| | ITER | FUN VALUE | NORM GRAD | NORM STEP | CURV | GAMMA | ALPHA | ACCEPT | |====================================================================================================| | 40 | -3.379112e+02 | 5.280e+00 | 1.393e+00 | OK | 1.177e-02 | 1.000e+00 | YES | | 41 | -3.389136e+02 | 3.061e+00 | 7.121e-01 | OK | 2.935e-02 | 1.000e+00 | YES | | 42 | -3.401070e+02 | 4.094e+00 | 6.224e-01 | OK | 3.399e-02 | 1.000e+00 | YES | | 43 | -3.436291e+02 | 8.833e+00 | 1.707e+00 | OK | 5.231e-02 | 1.000e+00 | YES | | 44 | -3.456295e+02 | 5.891e+00 | 1.424e+00 | OK | 3.772e-02 | 1.000e+00 | YES | | 45 | -3.460069e+02 | 1.126e+01 | 2.580e+00 | OK | 3.907e-02 | 1.000e+00 | YES | | 46 | -3.481756e+02 | 1.546e+00 | 8.142e-01 | OK | 1.565e-02 | 1.000e+00 | YES | Infinity norm of the final gradient = 1.546e+00 Two norm of the final step = 8.142e-01, TolX = 1.000e-12 Relative infinity norm of the final gradient = 6.016e-03, TolFun = 1.000e-02 EXIT: Local minimum found. o Alpha estimation: PredictMethod = Exact

由于GPR模型使用带有许多预测器的ARD核，使用LBFGS逼近Hessian比存储完整的Hessian矩阵更具有内存效率。此外，使用初始步长来确定初始Hessian近似可能有助于加速优化。GYDF4y2Ba

通过取负学习长度尺度的指数来找到预测权值。规范化的权重。GYDF4y2Ba

sigmal = gpr.kernelinformation.kernelparameters（1：结束-1）;GYDF4y2Ba学会长度标度GYDF4y2Ba权重= exp（-sigmal）;GYDF4y2Ba%预测权重GYDF4y2Ba重量=重量/笔(重量);GYDF4y2Ba％归一化预测的权重GYDF4y2Ba

绘制归一化预测器的权重。GYDF4y2Ba

数字;半径（重量），GYDF4y2Ba“罗”GYDF4y2Ba）;Xlabel（GYDF4y2Ba“预测指数”GYDF4y2Ba); 伊拉贝尔(GYDF4y2Ba“预测体重”GYDF4y2Ba）;GYDF4y2Ba

训练有素的GPR模型分配最大的权重，4日，7日，13日和预测。不相干的预测具有权重接近于零。GYDF4y2Ba

输入参数GYDF4y2Ba

全部折叠GYDF4y2Ba

`资源描述GYDF4y2Ba`—GYDF4y2Ba样本数据GYDF4y2Ba
`表格GYDF4y2Ba`

用于培训模型的示例数据，指定为aGYDF4y2Ba表格GYDF4y2Ba．每一行的GYDF4y2Ba资源描述GYDF4y2Ba对应一个观察值，每一列对应一个变量。GYDF4y2Ba资源描述GYDF4y2Ba包含预测变量，还可以选择包含响应变量的一列。除了字符向量的单元格数组之外，不允许使用多列变量和单元格数组。GYDF4y2Ba

如果GYDF4y2Ba资源描述GYDF4y2Ba包含响应变量，您希望使用所有剩余变量作为预测值，然后使用GYDF4y2BaResponseVarNameGYDF4y2Ba．GYDF4y2Ba
如果GYDF4y2Ba资源描述GYDF4y2Ba包含响应变量，并且您希望在训练模型时只使用预测器的一个子集，然后指定响应变量和使用的预测器变量GYDF4y2Ba公式GYDF4y2Ba．GYDF4y2Ba
如果GYDF4y2Ba资源描述GYDF4y2Ba不包含响应变量，则指定响应变量使用GYDF4y2BaYGYDF4y2Ba. 响应变量的长度和中的行数GYDF4y2Ba资源描述GYDF4y2Ba必须平等。GYDF4y2Ba

有关的更多信息GYDF4y2Ba表格GYDF4y2Ba数据类型，见GYDF4y2Ba表格GYDF4y2Ba．GYDF4y2Ba

如果你的预测数据包含分类变量，那么GYDF4y2BafitrgpGYDF4y2Ba创建虚拟变量。有关详细信息,请参见GYDF4y2BaCategoricalPredictorsGYDF4y2Ba．GYDF4y2Ba

数据类型:GYDF4y2Ba表格GYDF4y2Ba

`ResponseVarNameGYDF4y2Ba`—GYDF4y2Ba响应变量名GYDF4y2Ba
中的变量名GYDF4y2Ba`资源描述GYDF4y2Ba`

中的响应变量名，指定为变量名GYDF4y2Ba资源描述GYDF4y2Ba．您必须指定GYDF4y2BaResponseVarNameGYDF4y2Ba作为字符向量或字符串标量。例如，如果响应变量GYDF4y2BaYGYDF4y2Ba存储在GYDF4y2Ba资源描述GYDF4y2Ba（作为GYDF4y2BaTbl.yGYDF4y2Ba)，然后指定为GYDF4y2Ba'是'GYDF4y2Ba．否则，软件将处理的所有列GYDF4y2Ba资源描述GYDF4y2Ba,包括GYDF4y2BaYGYDF4y2Ba，作为训练模型时的预测器。GYDF4y2Ba

数据类型:GYDF4y2Ba字符GYDF4y2Ba|GYDF4y2Ba细绳GYDF4y2Ba

`公式GYDF4y2Ba`—GYDF4y2Ba响应和预测变量模型的训练使用GYDF4y2Ba
的形式的字符向量或字符串标量GYDF4y2Ba`'y〜x1 + x2 + x3'GYDF4y2Ba`

在模型训练中使用的响应和预测变量，指定为字符向量或字符串标量的形式GYDF4y2Ba'y〜x1 + x2 + x3'GYDF4y2Ba．在这种形式，GYDF4y2BaYGYDF4y2Ba表示响应变量；GYDF4y2Bax1GYDF4y2Ba,GYDF4y2Bax2GYDF4y2Ba,GYDF4y2Bax3GYDF4y2Ba表示用于训练模型的预测变量。GYDF4y2Ba

如果你想指定变量的子集，请使用公式GYDF4y2Ba资源描述GYDF4y2Ba作为训练模型时使用的预测因子。如果指定一个公式，则所有未显示在GYDF4y2Ba公式GYDF4y2Ba不是用来训练模型的。GYDF4y2Ba

公式中的变量名必须是其中的两个变量名GYDF4y2Ba资源描述GYDF4y2Ba(GYDF4y2BaTbl.Properties.VariableNamesGYDF4y2Ba)并且是有效的MATLABGYDF4y2Ba^®GYDF4y2Ba标识符。您可以验证变量名GYDF4y2Ba资源描述GYDF4y2Ba通过使用GYDF4y2BaisvarnameGYDF4y2Ba函数。如果变量名称无效，则可以使用使用的转换它们GYDF4y2Bamatlab.lang.makevalidname.GYDF4y2Ba函数。GYDF4y2Ba

这个公式并没有指出GYDF4y2BaBasisFunctionGYDF4y2Ba．GYDF4y2Ba

例子:GYDF4y2Ba“PetalLength ~ PetalWidth +物种”GYDF4y2Ba标识变量GYDF4y2BaPetalLengthGYDF4y2Ba作为响应变量，和GYDF4y2BaPetalWidthGYDF4y2Ba和GYDF4y2Ba物种GYDF4y2Ba作为预测变量。GYDF4y2Ba

数据类型:GYDF4y2Ba字符GYDF4y2Ba|GYDF4y2Ba细绳GYDF4y2Ba

`XGYDF4y2Ba`—GYDF4y2Ba对于GPR模型预测数据GYDF4y2Ba
NGYDF4y2Ba——- - - - - -GYDF4y2BaDGYDF4y2Ba矩阵GYDF4y2Ba

GPR模型的预测数据，指定为一个GYDF4y2BaNGYDF4y2Ba——- - - - - -GYDF4y2BaDGYDF4y2Ba矩阵。GYDF4y2BaNGYDF4y2Ba是观察数(行数)，和GYDF4y2BaDGYDF4y2Ba是预测器的数量（列）。GYDF4y2Ba

的长度GYDF4y2BaYGYDF4y2Ba以及GYDF4y2BaXGYDF4y2Ba必须平等。GYDF4y2Ba

按预测器在中出现的顺序指定它们的名称GYDF4y2BaXGYDF4y2Ba,可以使用GYDF4y2BaPredictorNamesGYDF4y2Ba名称-值对的论点。GYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba

`YGYDF4y2Ba`—GYDF4y2BaGPR模型的响应数据GYDF4y2Ba
NGYDF4y2Ba1的向量GYDF4y2Ba

GPR模型的响应数据，指定为一个GYDF4y2BaNGYDF4y2Ba1的向量。你可以省略GYDF4y2BaYGYDF4y2Ba如果你提供GYDF4y2Ba资源描述GYDF4y2Ba培训数据还包括GYDF4y2BaYGYDF4y2Ba. 在这种情况下，使用GYDF4y2BaResponseVarNameGYDF4y2Ba识别响应变量或使用GYDF4y2Ba公式GYDF4y2Ba确定响应和预测变量。GYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba

名称值对参数GYDF4y2Ba

指定可选的逗号分隔的对GYDF4y2Ba名称，价值GYDF4y2Ba参数。GYDF4y2Ba名称GYDF4y2Ba参数名和GYDF4y2Ba价值GYDF4y2Ba是相应的价值。GYDF4y2Ba名称GYDF4y2Ba必须出现在引号内。可以以任意顺序指定多个名称和值对参数GYDF4y2BaName1, Value1,…,的家GYDF4y2Ba．GYDF4y2Ba

例子:GYDF4y2Ba

‘FitMethod’,‘老’,‘BasisFunction’,‘线’,‘ActiveSetMethod’,‘sgma’,‘PredictMethod’,‘膜集成电路GYDF4y2Ba

采用回归器子集近似法训练GPR模型进行参数估计，采用线性基函数，采用稀疏贪婪矩阵近似进行主动选择，采用完全独立条件近似进行预测。GYDF4y2Ba

请注意GYDF4y2Ba

的参数不能同时使用任何交叉验证的名称-值对参数GYDF4y2Ba“OptimizeHyperparameters”GYDF4y2Ba名称-值对的论点。可以为。修改交叉验证GYDF4y2Ba“OptimizeHyperparameters”GYDF4y2Ba只有使用GYDF4y2Ba“HyperparameterOptimizationOptions”GYDF4y2Ba名称-值对的论点。GYDF4y2Ba

拟合GYDF4y2Ba

全部折叠GYDF4y2Ba

`“FitMethod”GYDF4y2Ba`—GYDF4y2Ba探地雷达模型参数的估计方法GYDF4y2Ba
`'没有任何'GYDF4y2Ba`|GYDF4y2Ba`“准确”GYDF4y2Ba`|GYDF4y2Ba`“sd”GYDF4y2Ba`|GYDF4y2Ba`“sr”GYDF4y2Ba`|GYDF4y2Ba`'fic'GYDF4y2Ba`

用于估计探地雷达模型参数的方法，指定为逗号分隔对，包括GYDF4y2Ba“FitMethod”GYDF4y2Ba和下面的一个。GYDF4y2Ba

合适的方法GYDF4y2Ba	描述GYDF4y2Ba
`'没有任何'GYDF4y2Ba`	没有估计，使用初始参数值作为已知的参数值。GYDF4y2Ba
`“准确”GYDF4y2Ba`	精确高斯过程回归。默认情况下,如果GYDF4y2BaNGYDF4y2Ba≤2000,GYDF4y2BaNGYDF4y2Ba为观察次数。GYDF4y2Ba
`“sd”GYDF4y2Ba`	数据点近似子集。默认情况下,如果GYDF4y2BaNGYDF4y2Ba> 2000年,GYDF4y2BaNGYDF4y2Ba为观察次数。GYDF4y2Ba
`“sr”GYDF4y2Ba`	回归量近似子集。GYDF4y2Ba
`'fic'GYDF4y2Ba`	完全独立条件近似。GYDF4y2Ba

例子:GYDF4y2Ba“FitMethod”、“膜集成电路的GYDF4y2Ba

`'基本功能'GYDF4y2Ba`—GYDF4y2BaGPR模型的显式基础GYDF4y2Ba
`'持续的'GYDF4y2Ba`（默认）|GYDF4y2Ba`'没有任何'GYDF4y2Ba`|GYDF4y2Ba`“线性”GYDF4y2Ba`|GYDF4y2Ba`“纯二次型”GYDF4y2Ba`|GYDF4y2Ba函数处理GYDF4y2Ba

GPR模型中的显式基，指定为逗号分隔对组成GYDF4y2Ba'基本功能'GYDF4y2Ba和下面的一个。如果GYDF4y2BaNGYDF4y2Ba是观测数，基函数加上项吗GYDF4y2BaHGYDF4y2Ba*GYDF4y2BaβGYDF4y2Ba该模型，其中GYDF4y2BaHGYDF4y2Ba基矩阵是和吗GYDF4y2BaβGYDF4y2Ba是一个GYDF4y2BaPGYDF4y2Ba基系数的-乘1向量。GYDF4y2Ba

明确的依据GYDF4y2Ba	基矩阵GYDF4y2Ba
`'没有任何'GYDF4y2Ba`	空矩阵。GYDF4y2Ba
`'持续的'GYDF4y2Ba`	$HGYDF4y2Ba =GYDF4y2Ba 1.GYDF4y2Ba$ (GYDF4y2BaNGYDF4y2Ba1的-乘1向量GYDF4y2BaNGYDF4y2Ba为观察次数)GYDF4y2Ba
`“线性”GYDF4y2Ba`	$HGYDF4y2Ba =GYDF4y2Ba [GYDF4y2Ba 1.GYDF4y2Ba,GYDF4y2Ba XGYDF4y2Ba]GYDF4y2Ba$
`“纯二次型”GYDF4y2Ba`	$HGYDF4y2Ba =GYDF4y2Ba [GYDF4y2Ba 1.GYDF4y2Ba,GYDF4y2Ba XGYDF4y2Ba,GYDF4y2Ba {XGYDF4y2Ba}_{2.GYDF4y2Ba}]GYDF4y2Ba,GYDF4y2Ba$ 在哪里GYDF4y2Ba ${XGYDF4y2Ba}_{2.GYDF4y2Ba} =GYDF4y2Ba [GYDF4y2Ba \begin{matrix} {xGYDF4y2Ba}_{11GYDF4y2Ba}^{2.GYDF4y2Ba} & {xGYDF4y2Ba}_{12GYDF4y2Ba}^{2.GYDF4y2Ba} & \dotsGYDF4y2Ba & {xGYDF4y2Ba}_{1.GYDF4y2Ba DGYDF4y2Ba}^{2.GYDF4y2Ba} \\ {xGYDF4y2Ba}_{21GYDF4y2Ba}^{2.GYDF4y2Ba} & {xGYDF4y2Ba}_{22GYDF4y2Ba}^{2.GYDF4y2Ba} & \dotsGYDF4y2Ba & {xGYDF4y2Ba}_{2.GYDF4y2Ba DGYDF4y2Ba}^{2.GYDF4y2Ba} \\ ⋮GYDF4y2Ba & ⋮GYDF4y2Ba & ⋮GYDF4y2Ba & ⋮GYDF4y2Ba \\ {xGYDF4y2Ba}_{NGYDF4y2Ba 1.GYDF4y2Ba}^{2.GYDF4y2Ba} & {xGYDF4y2Ba}_{NGYDF4y2Ba 2.GYDF4y2Ba}^{2.GYDF4y2Ba} & \dotsGYDF4y2Ba & {xGYDF4y2Ba}_{NGYDF4y2Ba DGYDF4y2Ba}^{2.GYDF4y2Ba} \end{matrix}]GYDF4y2Ba ．GYDF4y2Ba$
函数处理GYDF4y2Ba	函数处理,GYDF4y2Ba`hfcnGYDF4y2Ba`,这GYDF4y2Ba`fitrgpGYDF4y2Ba`电话为:GYDF4y2Ba $HGYDF4y2Ba =GYDF4y2Ba HGYDF4y2Ba FGYDF4y2Ba CGYDF4y2Ba NGYDF4y2Ba (GYDF4y2Ba XGYDF4y2Ba)GYDF4y2Ba,GYDF4y2Ba$ 在哪里GYDF4y2Ba`XGYDF4y2Ba`是一个GYDF4y2BaNGYDF4y2Ba——- - - - - -GYDF4y2BaDGYDF4y2Ba预测器矩阵及其应用GYDF4y2BaHGYDF4y2Ba是一个GYDF4y2BaNGYDF4y2Ba——- - - - - -GYDF4y2BaPGYDF4y2Ba基函数的矩阵。GYDF4y2Ba

例子:GYDF4y2Ba“BasisFunction”、“pureQuadratic”GYDF4y2Ba

数据类型:GYDF4y2Ba字符GYDF4y2Ba|GYDF4y2Ba细绳GYDF4y2Ba|GYDF4y2Ba功能手柄GYDF4y2Ba

`“贝塔”GYDF4y2Ba`—GYDF4y2Ba系数的初值GYDF4y2Ba
PGYDF4y2Ba1的向量GYDF4y2Ba

初始值的系数为显式基，指定为逗号分隔对组成GYDF4y2Ba“贝塔”GYDF4y2Ba和GYDF4y2BaPGYDF4y2Ba1的向量,GYDF4y2BaPGYDF4y2Ba是基矩阵中的列数GYDF4y2BaHGYDF4y2Ba．GYDF4y2Ba

基矩阵依赖于显式基函数的选择，如下所示GYDF4y2BaBasisFunctionGYDF4y2Ba）.GYDF4y2Ba

fitrgpGYDF4y2Ba用系数初值作为已知系数值，仅当GYDF4y2BaFitMethodGYDF4y2Ba是GYDF4y2Ba'没有任何'GYDF4y2Ba．GYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba

`“σ”GYDF4y2Ba`—GYDF4y2Ba高斯过程模型噪声标准差的初值GYDF4y2Ba
`性病GYDF4y2Ba`(GYDF4y2Ba`YGYDF4y2Ba`）／GYDF4y2Ba`SQRT（2）GYDF4y2Ba`（默认）|GYDF4y2Ba正标量值GYDF4y2Ba

高斯过程模型的噪声标准偏差的初始值，指定为逗号分隔的对组成GYDF4y2Ba“σ”GYDF4y2Ba而正标量值。GYDF4y2Ba

例子:GYDF4y2Ba“西格玛”，2GYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba

`“ConstantSigma”GYDF4y2Ba`—GYDF4y2Ba不变的价值GYDF4y2Ba`σGYDF4y2Ba`高斯过程模型的噪声标准差GYDF4y2Ba
`假GYDF4y2Ba`（默认）|GYDF4y2Ba`真的GYDF4y2Ba`

不变的价值GYDF4y2BaσGYDF4y2Ba为高斯过程模型的噪声标准偏差，指定为逻辑标量。当GYDF4y2Ba康斯坦斯格马GYDF4y2Ba是GYDF4y2Ba真的GYDF4y2Ba,GYDF4y2BafitrgpGYDF4y2Ba不优化的价值GYDF4y2BaσGYDF4y2Ba，而是将初始值作为整个计算的值。GYDF4y2Ba

例子:GYDF4y2Ba“康斯坦斯格玛”，没错GYDF4y2Ba

数据类型:GYDF4y2Ba符合逻辑的GYDF4y2Ba

`“SigmaLowerBound”GYDF4y2Ba`—GYDF4y2Ba噪声标准差的下界GYDF4y2Ba
`1依照*性病GYDF4y2Ba`(GYDF4y2Ba`YGYDF4y2Ba`)GYDF4y2Ba（默认）|GYDF4y2Ba正标量值GYDF4y2Ba

噪音标准偏差的下界，指定为逗号分隔对，由GYDF4y2Ba“SigmaLowerBound”GYDF4y2Ba而正标量值。GYDF4y2Ba

例子:GYDF4y2Ba“SigmaLowerBound”,0.02GYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba

`“CategoricalPredictors”GYDF4y2Ba`—GYDF4y2Ba分类预测列表GYDF4y2Ba
正整数向量GYDF4y2Ba|GYDF4y2Ba逻辑向量GYDF4y2Ba|GYDF4y2Ba字符矩阵GYDF4y2Ba|GYDF4y2Ba字符串数组GYDF4y2Ba|GYDF4y2Ba字符向量的单元格阵列GYDF4y2Ba|GYDF4y2Ba`“所有”GYDF4y2Ba`

分类预测器列表，指定为该表中的值之一。GYDF4y2Ba

价值GYDF4y2Ba	描述GYDF4y2Ba
正整数矢量GYDF4y2Ba	向量中的每个条目都是对应于包含分类变量的预测器数据列的索引值。索引值在1到之间GYDF4y2Ba`PGYDF4y2Ba`,在那里GYDF4y2Ba`PGYDF4y2Ba`是用于训练模型的预测器数量。GYDF4y2Ba 如果GYDF4y2Ba`fitrgpGYDF4y2Ba`使用输入变量的子集作为预测器，然后函数仅使用该子集对预测器进行索引。这个GYDF4y2Ba`“CategoricalPredictors”GYDF4y2Ba`值不计算响应变量、观察权重变量和函数未使用的任何其他变量。GYDF4y2Ba
逻辑向量GYDF4y2Ba	A.GYDF4y2Ba`真的GYDF4y2Ba`输入意味着预测数据的对应列是一个分类变量。向量的长度为GYDF4y2Ba`PGYDF4y2Ba`．GYDF4y2Ba
字符矩阵GYDF4y2Ba	矩阵的每一行都是预测变量的名称。名称必须与中的条目匹配GYDF4y2Ba`PredictorNamesGYDF4y2Ba`．使用额外的空白填充名称，因此字符矩阵的每行具有相同的长度。GYDF4y2Ba
字符向量的字符串数组或单元格数组GYDF4y2Ba	数组中的每个元素都是一个预测变量的名称。名称必须与里面的条目相匹配GYDF4y2Ba`PredictorNamesGYDF4y2Ba`．GYDF4y2Ba
`“所有”GYDF4y2Ba`	所有的预测都是绝对的。GYDF4y2Ba

默认情况下，如果预测器数据在表中(GYDF4y2Ba资源描述GYDF4y2Ba)，GYDF4y2BafitrgpGYDF4y2Ba如果一个变量是逻辑向量、分类向量、字符数组、字符串数组或字符向量的单元格数组，则假设它是类别变量。如果预测数据是一个矩阵(GYDF4y2BaXGYDF4y2Ba)，GYDF4y2BafitrgpGYDF4y2Ba假设所有预测因子都是连续的。要将任何其他预测因子识别为分类预测器，请通过使用来指定它们GYDF4y2Ba“CategoricalPredictors”GYDF4y2Ba名称-值参数。GYDF4y2Ba

对于已识别的分类预测因子，GYDF4y2BafitrgpGYDF4y2Ba根据分类变量是无序的还是有序的，使用两种不同的方案创建虚拟变量。对于无序分类变量，GYDF4y2BafitrgpGYDF4y2Ba为分类变量的每一级创建一个虚拟变量。对于有序分类变量，GYDF4y2BafitrgpGYDF4y2Ba创建的虚拟变量比类别数量少一个。有关详细信息,请参见GYDF4y2Ba自动创建虚拟变量GYDF4y2Ba．GYDF4y2Ba

例子:GYDF4y2Ba'CategoricalPredictors'， '所有'GYDF4y2Ba

`“标准化”GYDF4y2Ba`—GYDF4y2Ba数据标准化指标GYDF4y2Ba
`0（假）GYDF4y2Ba`（默认）|GYDF4y2Ba逻辑值GYDF4y2Ba

指标标准化数据，指定为逗号分隔对组成GYDF4y2Ba“标准化”GYDF4y2Ba和一个逻辑值。GYDF4y2Ba

如果你设置GYDF4y2Ba“标准化”,1GYDF4y2Ba，然后软件对预测数据的每一列进行中心和标度，分别用列均值和标准偏差。该软件不标准化包含在虚拟变量列中的数据，它为分类预测器生成。GYDF4y2Ba

例子:GYDF4y2Ba“标准化”,1GYDF4y2Ba

例子:GYDF4y2Ba“标准化”,真的GYDF4y2Ba

数据类型:GYDF4y2Ba符合逻辑的GYDF4y2Ba

`“正规化”GYDF4y2Ba`—GYDF4y2Ba正则化标准差GYDF4y2Ba
`1依照*性病GYDF4y2Ba`(GYDF4y2Ba`YGYDF4y2Ba`)GYDF4y2Ba（默认）|GYDF4y2Ba正标量值GYDF4y2Ba

稀疏方法的正则化标准偏差回归的子集（GYDF4y2Ba“sr”GYDF4y2Ba）和完全独立的条件（GYDF4y2Ba'fic'GYDF4y2Ba)，指定为逗号分隔对，由GYDF4y2Ba“正规化”GYDF4y2Ba而正标量值。GYDF4y2Ba

例子:GYDF4y2Ba“正规化”,0.2GYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba

`'计算方法'GYDF4y2Ba`—GYDF4y2Ba对数似然和梯度的计算方法GYDF4y2Ba
`“qr”GYDF4y2Ba`（默认）|GYDF4y2Ba`“v”GYDF4y2Ba`

用于计算使用回归子集的参数估计的日志似然和梯度的方法（GYDF4y2Ba“sr”GYDF4y2Ba）和完全独立的条件（GYDF4y2Ba'fic'GYDF4y2Ba）近似方法，指定为逗号分隔的对GYDF4y2Ba'计算方法'GYDF4y2Ba和下面的一个。GYDF4y2Ba

“qr”GYDF4y2Ba-使用基于QR分解的方法，该选项提供更好的准确性。GYDF4y2Ba
“v”GYDF4y2Ba-使用基于v方法的方法。此选项提供了更快的对数似然梯度计算。GYDF4y2Ba

例子:GYDF4y2Ba“ComputationMethod”、“v”GYDF4y2Ba

协方差内核()函数GYDF4y2Ba

全部折叠GYDF4y2Ba

`“KernelFunction”GYDF4y2Ba`—GYDF4y2Ba协方差功能的形式GYDF4y2Ba
`“squaredexponential”GYDF4y2Ba`（默认）|GYDF4y2Ba`'指数'GYDF4y2Ba`|GYDF4y2Ba`“matern32”GYDF4y2Ba`|GYDF4y2Ba`'Matern52'GYDF4y2Ba`|GYDF4y2Ba`“rationalquadratic”GYDF4y2Ba`|GYDF4y2Ba`“ardsquaredexponential”GYDF4y2Ba`|GYDF4y2Ba`'ardexponential'GYDF4y2Ba`|GYDF4y2Ba`“ardmatern32”GYDF4y2Ba`|GYDF4y2Ba`'ardmatern52'GYDF4y2Ba`|GYDF4y2Ba`“理性二次”GYDF4y2Ba`|GYDF4y2Ba函数处理GYDF4y2Ba

协方差函数的形式，指定为逗号分隔对，由GYDF4y2Ba“KernelFunction”GYDF4y2Ba和下面的一个。GYDF4y2Ba

函数GYDF4y2Ba	描述GYDF4y2Ba
`'指数'GYDF4y2Ba`	指数的内核。GYDF4y2Ba
`“squaredexponential”GYDF4y2Ba`	平方指数内核。GYDF4y2Ba
`“matern32”GYDF4y2Ba`	Matern内核与参数3/2。GYDF4y2Ba
`'Matern52'GYDF4y2Ba`	Matern内核与参数5/2。GYDF4y2Ba
`“rationalquadratic”GYDF4y2Ba`	有理二次核。GYDF4y2Ba
`'ardexponential'GYDF4y2Ba`	指数核与每个预测器的独立长度尺度。GYDF4y2Ba
`“ardsquaredexponential”GYDF4y2Ba`	平方指数核与一个独立的长度尺度每个预测器。GYDF4y2Ba
`“ardmatern32”GYDF4y2Ba`	Matern内核与参数3/2和每个预测器的单独长度尺度。GYDF4y2Ba
`'ardmatern52'GYDF4y2Ba`	母核与参数5/2和一个单独的长度尺度每个预测器。GYDF4y2Ba
`“理性二次”GYDF4y2Ba`	每个预测器具有单独长度刻度的有理二次核。GYDF4y2Ba
函数处理GYDF4y2Ba	功能句柄，可以这样调用：GYDF4y2Ba `Kmn = kfcn (Xm, Xnθ)GYDF4y2Ba` 在哪里GYDF4y2Ba`XmGYDF4y2Ba`是一个GYDF4y2BaMGYDF4y2Ba——- - - - - -GYDF4y2BaDGYDF4y2Ba矩阵，GYDF4y2Ba`XnGYDF4y2Ba`是一个GYDF4y2BaNGYDF4y2Ba——- - - - - -GYDF4y2BaDGYDF4y2Ba矩阵和GYDF4y2Ba`KmnGYDF4y2Ba`是一个GYDF4y2BaMGYDF4y2Ba——- - - - - -GYDF4y2BaNGYDF4y2Ba核乘积的矩阵下载188bet金宝搏GYDF4y2Ba`KmnGYDF4y2Ba`(GYDF4y2Ba我GYDF4y2Ba,GYDF4y2BaJGYDF4y2Ba)是之间的核积GYDF4y2Ba`XmGYDF4y2Ba`(GYDF4y2Ba我GYDF4y2Ba，：）及GYDF4y2Ba`XnGYDF4y2Ba`(GYDF4y2BaJGYDF4y2Ba:)。GYDF4y2Ba `西塔GYDF4y2Ba`是个GYDF4y2BaRGYDF4y2Ba-by-1无约束参数向量GYDF4y2Ba`kfcnGYDF4y2Ba`．GYDF4y2Ba

有关内核函数的更多信息，请参见GYDF4y2Ba内核（协方差）功能选项GYDF4y2Ba．GYDF4y2Ba

例子:GYDF4y2Ba“内核函数”、“matern32”GYDF4y2Ba

数据类型:GYDF4y2Ba字符GYDF4y2Ba|GYDF4y2Ba细绳GYDF4y2Ba|GYDF4y2Ba功能手柄GYDF4y2Ba

`“内核参数”GYDF4y2Ba`—GYDF4y2Ba内核参数的初始值GYDF4y2Ba
矢量GYDF4y2Ba

内核参数的初始值，指定为逗号分隔对，由GYDF4y2Ba“内核参数”GYDF4y2Ba和一个向量。向量和值的大小取决于协方差函数的形式，由GYDF4y2Ba凯恩机组GYDF4y2Ba名称-值对的论点。GYDF4y2Ba

`“KernelFunction”GYDF4y2Ba`	`“内核参数”GYDF4y2Ba`
`'指数'GYDF4y2Ba`,GYDF4y2Ba`“squaredexponential”GYDF4y2Ba`,GYDF4y2Ba`“matern32”GYDF4y2Ba`或GYDF4y2Ba`'Matern52'GYDF4y2Ba`	2×1载体GYDF4y2Ba`披GYDF4y2Ba`,在那里GYDF4y2Ba`φ(1)GYDF4y2Ba`包含长度刻度和GYDF4y2Ba`φ(2)GYDF4y2Ba`包含信号标准偏差。GYDF4y2Ba 长度尺度参数的默认初始值为预测器标准差的均值，信号标准差为响应标准差除以根号2。也就是说,GYDF4y2Ba `φ=[意味着(std (X)); std (y) /√(2))GYDF4y2Ba`
`“rationalquadratic”GYDF4y2Ba`	3×1的向量GYDF4y2Ba`披GYDF4y2Ba`,在那里GYDF4y2Ba`φ(1)GYDF4y2Ba`包含长度尺度，GYDF4y2Ba`φ(2)GYDF4y2Ba`包含比例混合参数，和GYDF4y2Ba`φ(3)GYDF4y2Ba`包含信号标准偏差。GYDF4y2Ba 长度尺度参数的默认初始值为预测器标准差的均值，信号标准差为响应标准差除以根号2。缩放混合参数的默认初始值是1。也就是说,GYDF4y2Ba `φ=[意味着(std (X)); 1; std (y) /√(2))GYDF4y2Ba`
`'ardexponential'GYDF4y2Ba`,GYDF4y2Ba`“ardsquaredexponential”GYDF4y2Ba`,GYDF4y2Ba`“ardmatern32”GYDF4y2Ba`或GYDF4y2Ba`'ardmatern52'GYDF4y2Ba`	(GYDF4y2BaDGYDF4y2Ba+ 1) 1的向量GYDF4y2Ba`披GYDF4y2Ba`,在那里GYDF4y2Ba`φ(我)GYDF4y2Ba`包含预测器的长度尺度GYDF4y2Ba我GYDF4y2Ba，和GYDF4y2Ba`φ(GYDF4y2BaDGYDF4y2Ba+ 1)GYDF4y2Ba`包含信号标准偏差。GYDF4y2BaDGYDF4y2Ba为分类变量创建虚拟变量后预测变量的个数。创建虚拟变量的详细信息请参见GYDF4y2Ba`CategoricalPredictorsGYDF4y2Ba`．GYDF4y2Ba 默认情况下，长度的初始值尺度参数是预测因子及信号标准偏差的标准偏差是由2。即平方根除以响应的标准偏差，GYDF4y2Ba `φ=[std（X）'；标准（y）/sqrt（2）]GYDF4y2Ba`
`“理性二次”GYDF4y2Ba`	(GYDF4y2BaDGYDF4y2Ba+ 2) 1的向量GYDF4y2Ba`披GYDF4y2Ba`,在那里GYDF4y2Ba`φ(我)GYDF4y2Ba`包含预测器的长度尺度GYDF4y2Ba我GYDF4y2Ba,GYDF4y2Ba`φ（d+1）GYDF4y2Ba`包含比例混合参数，和GYDF4y2Ba`φ(d + 2)GYDF4y2Ba`包含信号标准偏差。GYDF4y2Ba 长度比例参数的默认初始值是预测器的标准偏差，信号标准偏差是响应的标准偏差除以2.尺度混合参数的默认初始值为1。即，GYDF4y2Ba `φ= (std (X); 1; std (y) /√(2))GYDF4y2Ba`
函数处理GYDF4y2Ba	RGYDF4y2Ba-by-1向量作为无约束参数向量的初始值GYDF4y2Ba`披GYDF4y2Ba`对于自定义内核功能GYDF4y2Ba`kfcnGYDF4y2Ba`．GYDF4y2Ba 当GYDF4y2Ba`凯恩机组GYDF4y2Ba`是函数句柄时，必须提供内核参数的初始值。GYDF4y2Ba

有关内核函数的更多信息，请参见GYDF4y2Ba内核（协方差）功能选项GYDF4y2Ba．GYDF4y2Ba

例子:GYDF4y2BaKernelParameters,θGYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba

`“DistanceMethod”GYDF4y2Ba`—GYDF4y2Ba点间距离的计算方法GYDF4y2Ba
`“快”GYDF4y2Ba`（默认）|GYDF4y2Ba`“准确”GYDF4y2Ba`

用于计算计算内建核函数的点间距离的方法，指定为由逗号分隔的对组成GYDF4y2Ba“DistanceMethod”GYDF4y2Ba,要么GYDF4y2Ba“快”GYDF4y2Ba或者GYDF4y2Ba“准确”GYDF4y2Ba．GYDF4y2BafitrgpGYDF4y2Ba计算GYDF4y2Ba ${(GYDF4y2Ba xGYDF4y2Ba -GYDF4y2Ba YGYDF4y2Ba)GYDF4y2Ba}^{2.GYDF4y2Ba}$ 作为GYDF4y2Ba ${xGYDF4y2Ba}^{2.GYDF4y2Ba} +GYDF4y2Ba {YGYDF4y2Ba}^{2.GYDF4y2Ba} -GYDF4y2Ba 2.GYDF4y2Ba *GYDF4y2Ba xGYDF4y2Ba *GYDF4y2Ba YGYDF4y2Ba$ 当您选择GYDF4y2Ba快速的GYDF4y2Ba选项和asGYDF4y2Ba ${(GYDF4y2Ba xGYDF4y2Ba -GYDF4y2Ba YGYDF4y2Ba)GYDF4y2Ba}^{2.GYDF4y2Ba}$ 当您选择GYDF4y2Ba准确的GYDF4y2Ba选择。GYDF4y2Ba

例子:GYDF4y2Ba'DistanceMethod'， '准确'GYDF4y2Ba

激活集选择GYDF4y2Ba

全部折叠GYDF4y2Ba

`“ActiveSet”GYDF4y2Ba`—GYDF4y2Ba在活动集的观察GYDF4y2Ba
`［］GYDF4y2Ba`（默认）|GYDF4y2BaMGYDF4y2Ba-by-1的整数向量，范围从1到GYDF4y2BaNGYDF4y2Ba(GYDF4y2BaMGYDF4y2Ba≤.GYDF4y2BaNGYDF4y2Ba)GYDF4y2Ba|GYDF4y2Ba长度的逻辑矢量GYDF4y2BaNGYDF4y2Ba

活动集中的观察值，指定为逗号分隔的对，由GYDF4y2Ba“ActiveSet”GYDF4y2Ba和一个GYDF4y2BaMGYDF4y2Ba-by-1的整数向量，范围从1到GYDF4y2BaNGYDF4y2Ba(GYDF4y2BaMGYDF4y2Ba≤.GYDF4y2BaNGYDF4y2Ba）或长度的逻辑矢量GYDF4y2BaNGYDF4y2Ba至少有一个GYDF4y2Ba真的GYDF4y2Ba元素。GYDF4y2BaNGYDF4y2Ba是培训数据中的观察总数。GYDF4y2Ba

fitrgpGYDF4y2Ba使用所示的观察GYDF4y2BaActiveSetGYDF4y2Ba训练GPR模型。活动集不能具有重复元素。GYDF4y2Ba

如果你提供GYDF4y2BaActiveSetGYDF4y2Ba,那么:GYDF4y2Ba

fitrgpGYDF4y2Ba不使用GYDF4y2BaActiveSetSize.GYDF4y2Ba和GYDF4y2BaActiveSetMethodGYDF4y2Ba．GYDF4y2Ba
您不能对该模型执行交叉验证。GYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba|GYDF4y2Ba符合逻辑的GYDF4y2Ba

`“ActiveSetSize”GYDF4y2Ba`—GYDF4y2Ba稀疏方法活动集的大小GYDF4y2Ba
一个整数GYDF4y2BaMGYDF4y2Ba(1≤GYDF4y2BaMGYDF4y2Ba≤.GYDF4y2BaNGYDF4y2Ba)GYDF4y2Ba

稀疏方法活动集的大小(GYDF4y2Ba“sd”GYDF4y2Ba,GYDF4y2Ba“sr”GYDF4y2Ba,GYDF4y2Ba'fic'GYDF4y2Ba)，指定为逗号分隔对，由GYDF4y2Ba“ActiveSetSize”GYDF4y2Ba和一个整数GYDF4y2BaMGYDF4y2Ba1.≤GYDF4y2BaMGYDF4y2Ba≤.GYDF4y2BaNGYDF4y2Ba,在那里GYDF4y2BaNGYDF4y2Ba为观察次数。GYDF4y2Ba

默认的是最小值(1000GYDF4y2BaNGYDF4y2Ba)当GYDF4y2BaFitMethodGYDF4y2Ba是GYDF4y2Ba“sr”GYDF4y2Ba或者GYDF4y2Ba'fic'GYDF4y2Ba和最小值(2000年GYDF4y2BaNGYDF4y2Ba)，否则。GYDF4y2Ba

例子:GYDF4y2Ba'ActiveSetSize'，100GYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba

`“ActiveSetMethod”GYDF4y2Ba`—GYDF4y2Ba主动集选择法GYDF4y2Ba
`“随机”GYDF4y2Ba`（默认）|GYDF4y2Ba`“sgma”GYDF4y2Ba`|GYDF4y2Ba`“熵”GYDF4y2Ba`|GYDF4y2Ba`“可能性”GYDF4y2Ba`

活动集选择方法，指定为逗号分隔对组成GYDF4y2Ba“ActiveSetMethod”GYDF4y2Ba和下面的一个。GYDF4y2Ba

方法GYDF4y2Ba	描述GYDF4y2Ba
`“随机”GYDF4y2Ba`	随机选择GYDF4y2Ba
`“sgma”GYDF4y2Ba`	稀疏贪婪矩阵近似GYDF4y2Ba
`“熵”GYDF4y2Ba`	微分entropy-based选择GYDF4y2Ba
`“可能性”GYDF4y2Ba`	回归器子集对数似然选择GYDF4y2Ba

所有活动集选择方法（除外）GYDF4y2Ba“随机”GYDF4y2Ba)需要存储一个GYDF4y2BaNGYDF4y2Ba——- - - - - -GYDF4y2BaMGYDF4y2Ba矩阵,GYDF4y2BaMGYDF4y2Ba活动集的大小和GYDF4y2BaNGYDF4y2Ba为观察次数。GYDF4y2Ba

例子:GYDF4y2Ba“ActiveSetMethod”,“熵”GYDF4y2Ba

`“RandomSearchSetSize”GYDF4y2Ba`—GYDF4y2Ba随机搜索集大小GYDF4y2Ba
59GYDF4y2Ba（默认）|GYDF4y2Ba整型值GYDF4y2Ba

随机搜索每个贪婪包含大小的活动集选择，指定为逗号分隔对组成GYDF4y2Ba“RandomSearchSetSize”GYDF4y2Ba和一个整数值。GYDF4y2Ba

例子:GYDF4y2Ba“RandomSearchSetSize”,30岁GYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba

`“ToleranceActiveSet”GYDF4y2Ba`—GYDF4y2Ba终止激活集选择的相对公差GYDF4y2Ba
1 e-06GYDF4y2Ba（默认）|GYDF4y2Ba积极的标量GYDF4y2Ba

终止活动集选择的相对容忍度，指定为由逗号分隔的对组成GYDF4y2Ba'toleranceacctive's'GYDF4y2Ba而正标量值。GYDF4y2Ba

例子:GYDF4y2Ba“公差活动集”，0.0002GYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba

`“NumActiveSetRepeats”GYDF4y2Ba`—GYDF4y2Ba数量的重复GYDF4y2Ba
3.GYDF4y2Ba（默认）|GYDF4y2Ba整型值GYDF4y2Ba

重复次数GYDF4y2Ba交叉主动集选择和参数估计GYDF4y2Ba当GYDF4y2BaActiveSetMethodGYDF4y2Ba不是GYDF4y2Ba“随机”GYDF4y2Ba，指定为逗号分隔的对，由GYDF4y2Ba“NumActiveSetRepeats”GYDF4y2Ba和一个整数值。GYDF4y2Ba

例子:GYDF4y2Ba'NumActiveSetRepeats'，5GYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba

预测GYDF4y2Ba

全部折叠GYDF4y2Ba

`'predictmethod'GYDF4y2Ba`—GYDF4y2Ba用来做预测的方法GYDF4y2Ba
`“准确”GYDF4y2Ba`|GYDF4y2Ba`'bcd'GYDF4y2Ba`|GYDF4y2Ba`“sd”GYDF4y2Ba`|GYDF4y2Ba`“sr”GYDF4y2Ba`|GYDF4y2Ba`'fic'GYDF4y2Ba`

从给定参数的高斯过程模型中进行预测的方法，指定为由逗号分隔的对组成GYDF4y2Ba'predictmethod'GYDF4y2Ba和下面的一个。GYDF4y2Ba

方法GYDF4y2Ba	描述GYDF4y2Ba
`“准确”GYDF4y2Ba`	精确的高斯过程回归方法。默认，如果GYDF4y2BaNGYDF4y2Ba≤10000。GYDF4y2Ba
`'bcd'GYDF4y2Ba`	块坐标下降。默认，如果GYDF4y2BaNGYDF4y2Ba> 10000。GYDF4y2Ba
`“sd”GYDF4y2Ba`	数据点近似子集。GYDF4y2Ba
`“sr”GYDF4y2Ba`	回归量近似子集。GYDF4y2Ba
`'fic'GYDF4y2Ba`	完全独立条件近似。GYDF4y2Ba

例子:GYDF4y2Ba“PredictMethod”、“bcd的GYDF4y2Ba

`“BlockSizeBCD”GYDF4y2Ba`—GYDF4y2Ba块大小GYDF4y2Ba
最少1000或GYDF4y2BaNGYDF4y2Ba（默认）|GYDF4y2Ba整数从1到的范围内GYDF4y2BaNGYDF4y2Ba

块坐标下降法的块大小(GYDF4y2Ba'bcd'GYDF4y2Ba)，指定为逗号分隔对，由GYDF4y2Ba“BlockSizeBCD”GYDF4y2Ba并且在1到1的范围内的整数GYDF4y2BaNGYDF4y2Ba,在那里GYDF4y2BaNGYDF4y2Ba为观察次数。GYDF4y2Ba

例子:GYDF4y2Ba“BlockSizeBCD”,1500年GYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba

`'NumGreedyBCD'GYDF4y2Ba`—GYDF4y2Ba贪婪选择数量GYDF4y2Ba
最少100及GYDF4y2Ba`blocksizebcd.GYDF4y2Ba`（默认）|GYDF4y2Ba整数，取值范围是1 ~GYDF4y2Ba`blocksizebcd.GYDF4y2Ba`

块坐标下降法的贪婪选择数(GYDF4y2Ba'bcd'GYDF4y2Ba)，指定为逗号分隔对，由GYDF4y2Ba'NumGreedyBCD'GYDF4y2Ba并且在1到1的范围内的整数GYDF4y2Bablocksizebcd.GYDF4y2Ba．GYDF4y2Ba

例子:GYDF4y2Ba“NumGreedyBCD”，150GYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba

`'toleancebcd'GYDF4y2Ba`—GYDF4y2Ba对梯度规范的相对容差GYDF4y2Ba
`1 e - 3GYDF4y2Ba`（默认）|GYDF4y2Ba积极的标量GYDF4y2Ba

终止块坐标下降法梯度范数的相对公差(GYDF4y2Ba'bcd'GYDF4y2Ba)迭代，指定为逗号分隔对，由GYDF4y2Ba'toleancebcd'GYDF4y2Ba一个正标量。GYDF4y2Ba

例子:GYDF4y2Ba'ToleranceBCD'，0.002GYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba

`“StepToleranceBCD”GYDF4y2Ba`—GYDF4y2Ba步长绝对公差GYDF4y2Ba
`1 e - 3GYDF4y2Ba`（默认）|GYDF4y2Ba积极的标量GYDF4y2Ba

终止块坐标下降法的步长绝对公差(GYDF4y2Ba'bcd'GYDF4y2Ba)迭代，指定为逗号分隔对，由GYDF4y2Ba“StepToleranceBCD”GYDF4y2Ba一个正标量。GYDF4y2Ba

例子:GYDF4y2Ba“StepToleranceBCD”,0.002GYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba

`“IterationLimitBCD”GYDF4y2Ba`—GYDF4y2Ba最大BCD迭代次数GYDF4y2Ba
`1000000GYDF4y2Ba`（默认）|GYDF4y2Ba整型值GYDF4y2Ba

最大块坐标抑结方法（GYDF4y2Ba'bcd'GYDF4y2Ba)迭代，指定为逗号分隔对，由GYDF4y2Ba“IterationLimitBCD”GYDF4y2Ba和一个整数值。GYDF4y2Ba

例子:GYDF4y2Ba'IterationLimitBCD'，10000GYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba

优化GYDF4y2Ba

全部折叠GYDF4y2Ba

`“优化”GYDF4y2Ba`—GYDF4y2Ba用于参数估计的优化器GYDF4y2Ba
`“quasinewton”GYDF4y2Ba`（默认）|GYDF4y2Ba`“lbfgs”GYDF4y2Ba`|GYDF4y2Ba`“fminsearch”GYDF4y2Ba`|GYDF4y2Ba`“fminunc”GYDF4y2Ba`|GYDF4y2Ba`“fmincon”GYDF4y2Ba`

优化器使用用于参数估计的，指定为逗号分隔的一对组成的GYDF4y2Ba“优化”GYDF4y2Ba和这个表中的一个值。GYDF4y2Ba

价值GYDF4y2Ba	描述GYDF4y2Ba
`“quasinewton”GYDF4y2Ba`	致密，对称秩-1为基础，准牛顿近似于粗歌GYDF4y2Ba
`“lbfgs”GYDF4y2Ba`	基于LBFGS的准牛顿近似到黑森州GYDF4y2Ba
`“fminsearch”GYDF4y2Ba`	使用Lagarias等人的单纯形搜索法进行无约束非线性优化[5]GYDF4y2Ba
`“fminunc”GYDF4y2Ba`	无约束非线性优化（需要优化工具箱™许可证）GYDF4y2Ba
`“fmincon”GYDF4y2Ba`	约束非线性优化(需要一个优化工具箱许可证)GYDF4y2Ba

有关优化器的更多信息，请参见GYDF4y2Ba算法GYDF4y2Ba．GYDF4y2Ba

例子:GYDF4y2Ba“优化”、“fmincon”GYDF4y2Ba

`“OptimizerOptions”GYDF4y2Ba`—GYDF4y2Ba优化器的选项GYDF4y2Ba
结构体GYDF4y2Ba|GYDF4y2Ba对象GYDF4y2Ba

的优化器选项GYDF4y2Ba优化器GYDF4y2Ba名称值对参数，指定为逗号分隔的配对组成GYDF4y2Ba“OptimizerOptions”GYDF4y2Ba和结构或对象创建由GYDF4y2Ba优化集GYDF4y2Ba,GYDF4y2Bastatset（'fitrgp'）GYDF4y2Ba或GYDF4y2Ba最佳选择GYDF4y2Ba．GYDF4y2Ba

优化器GYDF4y2Ba	创建优化器选项使用GYDF4y2Ba
`“fminsearch”GYDF4y2Ba`	`优化集GYDF4y2Ba`(结构)GYDF4y2Ba
`“quasinewton”GYDF4y2Ba`或者GYDF4y2Ba`“lbfgs”GYDF4y2Ba`	`statset（'fitrgp'）GYDF4y2Ba`(结构)GYDF4y2Ba
`“fminunc”GYDF4y2Ba`或者GYDF4y2Ba`“fmincon”GYDF4y2Ba`	`最佳选择GYDF4y2Ba`(对象)GYDF4y2Ba

默认选项取决于优化器的类型。GYDF4y2Ba

例子:GYDF4y2Ba“优化配置”，选择GYDF4y2Ba

`“InitialStepSize”GYDF4y2Ba`—GYDF4y2Ba初始步长GYDF4y2Ba
`［］GYDF4y2Ba`（默认）|GYDF4y2Ba真正的正标量GYDF4y2Ba|GYDF4y2Ba`“汽车”GYDF4y2Ba`

初始步骤大小，指定为逗号分隔对组成GYDF4y2Ba“InitialStepSize”GYDF4y2Ba和一个实的正标量或GYDF4y2Ba“汽车”GYDF4y2Ba．GYDF4y2Ba

“InitialStepSize”GYDF4y2Ba当优化器为时，第一个优化步骤的近似最大绝对值是多少GYDF4y2Ba“quasinewton”GYDF4y2Ba或者GYDF4y2Ba“lbfgs”GYDF4y2Ba. 初始步长可以确定优化过程中的初始Hessian近似。GYDF4y2Ba

默认情况下,GYDF4y2BafitrgpGYDF4y2Ba不使用初始步长来确定初始Hessian近似。要使用初始步长，请为GYDF4y2Ba“InitialStepSize”GYDF4y2Ba名称-值对参数，或指定GYDF4y2Ba“初始步长”，“自动”GYDF4y2Ba拥有GYDF4y2BafitrgpGYDF4y2Ba自动确定一个值。有关GYDF4y2Ba“汽车”GYDF4y2Ba看见GYDF4y2Ba算法GYDF4y2Ba．GYDF4y2Ba

例子:GYDF4y2Ba“初始步长”，“自动”GYDF4y2Ba

交叉验证GYDF4y2Ba

全部折叠GYDF4y2Ba

`“CrossVal”GYDF4y2Ba`—GYDF4y2Ba交叉验证指示符GYDF4y2Ba
`“关闭”GYDF4y2Ba`（默认）|GYDF4y2Ba`“上”GYDF4y2Ba`

交叉验证指示符，指定为逗号分隔的对，由GYDF4y2Ba“CrossVal”GYDF4y2Ba,要么GYDF4y2Ba“关闭”GYDF4y2Ba或者GYDF4y2Ba“上”GYDF4y2Ba．如果是GYDF4y2Ba“上”GYDF4y2Ba,然后GYDF4y2BafitrgpGYDF4y2Ba返回经过10倍交叉验证的GPR模型。GYDF4y2Ba

您可以使用GYDF4y2Ba肯福尔德GYDF4y2Ba,GYDF4y2Ba坚持GYDF4y2Ba,GYDF4y2BaLeaveoutGYDF4y2Ba或者GYDF4y2BaCVPartitionGYDF4y2Ba名称 - 值对参数更改默认交叉验证设置。您可以同时使用这些名称 - 值对只有一个。GYDF4y2Ba

作为替代，您可以使用GYDF4y2Ba克罗斯瓦尔GYDF4y2Ba方法。GYDF4y2Ba

例子:GYDF4y2Ba“CrossVal”,“上”GYDF4y2Ba

`“CVPartition”GYDF4y2Ba`—GYDF4y2Ba分层的随机划分GYDF4y2BaKGYDF4y2Ba倍交叉验证GYDF4y2Ba
`cvpartitionGYDF4y2Ba`对象GYDF4y2Ba

分层的随机划分GYDF4y2BaKGYDF4y2Ba-fold交叉验证，指定为逗号分隔的对GYDF4y2Ba“CVPartition”GYDF4y2Ba和一个GYDF4y2BacvpartitionGYDF4y2Ba对象。GYDF4y2Ba

例子:GYDF4y2Ba“cvp”，cvpGYDF4y2Ba使用由定义的随机分区GYDF4y2BaCVP.GYDF4y2Ba．GYDF4y2Ba

如果您指定GYDF4y2BaCVPartitionGYDF4y2Ba，则不能指定GYDF4y2Ba坚持GYDF4y2Ba,GYDF4y2Ba肯福尔德GYDF4y2Ba或GYDF4y2BaLeaveoutGYDF4y2Ba．GYDF4y2Ba

`“坚持”GYDF4y2Ba`—GYDF4y2Ba用于测试的部分数据GYDF4y2Ba
在0到1范围内的标量值GYDF4y2Ba

在拒绝符验证中用于测试的数据的一部分，指定为逗号分隔对，由GYDF4y2Ba“坚持”GYDF4y2Ba和范围从0到1的标量值如果您指定GYDF4y2Ba'持有'，pGYDF4y2Ba，则软件:GYDF4y2Ba
1.随机储备GYDF4y2BaPGYDF4y2Ba*100%的数据作为验证数据，并使用其余的数据训练模型GYDF4y2Ba
2.存储紧凑型培训的模型GYDF4y2BacvgprMdl.TrainedGYDF4y2Ba．GYDF4y2Ba

例子:GYDF4y2Ba“坚持”,0.3GYDF4y2Ba使用30％的测试数据和70％的培训数据。GYDF4y2Ba

如果您指定GYDF4y2Ba坚持GYDF4y2Ba，则不能指定GYDF4y2BaCVPartitionGYDF4y2Ba,GYDF4y2Ba肯福尔德GYDF4y2Ba或GYDF4y2BaLeaveoutGYDF4y2Ba．GYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba

`'kfold'GYDF4y2Ba`—GYDF4y2Ba折叠数量GYDF4y2Ba
10GYDF4y2Ba（默认）|GYDF4y2Ba正整数值GYDF4y2Ba

用于交叉验证的GPR模型的折叠数，指定为逗号分隔的对组成GYDF4y2Ba'kfold'GYDF4y2Ba和一个正整数。GYDF4y2Ba肯福尔德GYDF4y2Ba必须大于1.如果您指定GYDF4y2Ba'kfold'，kGYDF4y2Ba然后软件:GYDF4y2Ba
1.将数据随机分区GYDF4y2BaKGYDF4y2Ba集。GYDF4y2Ba
2.对于每一组，保留该组作为测试数据，并使用另一组训练模型GYDF4y2BaKGYDF4y2Ba–1套。GYDF4y2Ba
3.存储GYDF4y2BaKGYDF4y2Ba紧凑，训练有素的模型在细胞GYDF4y2BaKGYDF4y2Ba-中的by-1单元阵列GYDF4y2BacvgprMdl.TrainedGYDF4y2Ba．GYDF4y2Ba

例子:GYDF4y2Ba'kfold'，5GYDF4y2Ba使用5倍交叉验证。也就是说，对于每一次折叠，使用该折叠作为测试数据，并对其余4次折叠训练模型。GYDF4y2Ba

如果您指定GYDF4y2Ba肯福尔德GYDF4y2Ba，则不能指定GYDF4y2BaCVPartitionGYDF4y2Ba,GYDF4y2Ba坚持GYDF4y2Ba或GYDF4y2BaLeaveoutGYDF4y2Ba．GYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba

`“Leaveout”GYDF4y2Ba`—GYDF4y2Ba遗漏一交叉验证的指示符GYDF4y2Ba
`“关闭”GYDF4y2Ba`（默认）|GYDF4y2Ba`“上”GYDF4y2Ba`

省略一交叉验证的指示符，指定为逗号分隔的对，由GYDF4y2Ba“Leaveout”GYDF4y2Ba,要么GYDF4y2Ba“关闭”GYDF4y2Ba或者GYDF4y2Ba“上”GYDF4y2Ba．GYDF4y2Ba

如果您指定GYDF4y2Ba“Leavout”和“on”GYDF4y2Ba，那么，对于每一个GYDF4y2BaNGYDF4y2Ba观察，软件：GYDF4y2Ba
1.保留观测数据作为测试数据，并使用其他数据训练模型GYDF4y2BaNGYDF4y2Ba- 1观察。GYDF4y2Ba
2.存储紧凑型培训的模型a cell in theNGYDF4y2Ba1单元阵列GYDF4y2BacvgprMdl.TrainedGYDF4y2Ba．GYDF4y2Ba

例子:GYDF4y2Ba“Leavout”和“on”GYDF4y2Ba

如果您指定GYDF4y2BaLeaveoutGYDF4y2Ba，则不能指定GYDF4y2BaCVPartitionGYDF4y2Ba,GYDF4y2Ba坚持GYDF4y2Ba或GYDF4y2Ba肯福尔德GYDF4y2Ba．GYDF4y2Ba

Hyperparameter优化GYDF4y2Ba

全部折叠GYDF4y2Ba

`“OptimizeHyperparameters”GYDF4y2Ba`—GYDF4y2Ba要优化的参数GYDF4y2Ba
`'没有任何'GYDF4y2Ba`（默认）|GYDF4y2Ba`“汽车”GYDF4y2Ba`|GYDF4y2Ba`“所有”GYDF4y2Ba`|GYDF4y2Ba符合条件的参数名称的字符串数组或单元格数组GYDF4y2Ba|GYDF4y2Ba向量的GYDF4y2Ba`optimizableVariableGYDF4y2Ba`物体GYDF4y2Ba

要优化的参数，指定为逗号分隔的对GYDF4y2Ba“OptimizeHyperparameters”GYDF4y2Ba以及下列其中一项：GYDF4y2Ba

'没有任何'GYDF4y2Ba- 不要优化。GYDF4y2Ba
“汽车”GYDF4y2Ba——使用GYDF4y2Ba{'sigma'}GYDF4y2Ba．GYDF4y2Ba
“所有”GYDF4y2Ba-优化所有符合条件的参数，相当于GYDF4y2Ba{'基本功能'，'kernelfunction'，'kernelscale'，'sigma'，'标准化'}GYDF4y2Ba．GYDF4y2Ba
符合条件的参数名称的字符串数组或单元格数组。GYDF4y2Ba
向量的GYDF4y2BaoptimizableVariableGYDF4y2Ba对象的输出GYDF4y2BahyperparametersGYDF4y2Ba．GYDF4y2Ba

优化尝试最小化交叉验证损失(错误)GYDF4y2BafitrgpGYDF4y2Ba通过改变参数。有关交叉验证损失的信息（虽然在不同的上下文中），请参阅GYDF4y2Ba分类损失GYDF4y2Ba．为了控制交叉验证类型和优化等方面，使用GYDF4y2BaHyperparameterOptimizationOptionsGYDF4y2Ba名称-值对。GYDF4y2Ba

请注意GYDF4y2Ba

“OptimizeHyperparameters”GYDF4y2Ba值覆盖使用其他名称-值对参数设置的任何值。例如，设置GYDF4y2Ba“OptimizeHyperparameters”GYDF4y2Ba到GYDF4y2Ba“汽车”GYDF4y2Ba导致GYDF4y2Ba“汽车”GYDF4y2Ba申请的值。GYDF4y2Ba

对符合条件的参数GYDF4y2BafitrgpGYDF4y2Ba是：GYDF4y2Ba

BasisFunctionGYDF4y2Ba—GYDF4y2BafitrgpGYDF4y2Ba搜索GYDF4y2Ba'持续的'GYDF4y2Ba,GYDF4y2Ba'没有任何'GYDF4y2Ba,GYDF4y2Ba“线性”GYDF4y2Ba，和GYDF4y2Ba“纯二次型”GYDF4y2Ba．GYDF4y2Ba
凯恩机组GYDF4y2Ba—GYDF4y2BafitrgpGYDF4y2Ba搜索GYDF4y2Ba'ardexponential'GYDF4y2Ba,GYDF4y2Ba“ardmatern32”GYDF4y2Ba,GYDF4y2Ba'ardmatern52'GYDF4y2Ba,GYDF4y2Ba“理性二次”GYDF4y2Ba,GYDF4y2Ba“ardsquaredexponential”GYDF4y2Ba,GYDF4y2Ba'指数'GYDF4y2Ba,GYDF4y2Ba“matern32”GYDF4y2Ba,GYDF4y2Ba'Matern52'GYDF4y2Ba,GYDF4y2Ba“rationalquadratic”GYDF4y2Ba，和GYDF4y2Ba“squaredexponential”GYDF4y2Ba．GYDF4y2Ba
KernelScaleGYDF4y2Ba—GYDF4y2BafitrgpGYDF4y2Ba使用GYDF4y2Ba核参数GYDF4y2Ba参数指定内核尺度参数的值，该参数在拟合过程中保持不变。在这种情况下，所有输入维度都被限制为具有相同的内容GYDF4y2BaKernelScaleGYDF4y2Ba价值。GYDF4y2BafitrgpGYDF4y2Ba在范围内的实值中进行搜索GYDF4y2Ba[1 e - 3 * MaxPredictorRange, MaxPredictorRange]GYDF4y2Ba,在那里GYDF4y2Ba

MaxPredictorRange = max(max(X) - min(X))GYDF4y2Ba．GYDF4y2Ba

KernelScaleGYDF4y2Ba不能为任何ARD内核进行优化。GYDF4y2Ba
σGYDF4y2Ba—GYDF4y2BafitrgpGYDF4y2Ba在范围内的实值中进行搜索GYDF4y2Ba[1E-4，MAX（1E-3,10 * ResponseStd）]GYDF4y2Ba,在那里GYDF4y2Ba

ResponseStd =性病(y)GYDF4y2Ba．GYDF4y2Ba

在内部,GYDF4y2BafitrgpGYDF4y2Ba设置GYDF4y2Ba康斯坦斯格马GYDF4y2Ba名称-值对GYDF4y2Ba真的GYDF4y2Ba的值GYDF4y2BaσGYDF4y2Ba在拟合期间为常数。GYDF4y2Ba
标准化GYDF4y2Ba—GYDF4y2BafitrgpGYDF4y2Ba搜索GYDF4y2Ba真的GYDF4y2Ba和GYDF4y2Ba假GYDF4y2Ba．GYDF4y2Ba

通过传递的向量来设置非默认参数GYDF4y2BaoptimizableVariableGYDF4y2Ba具有非默认值的对象。例如,GYDF4y2Ba

负载GYDF4y2Ba渔民GYDF4y2Baparams = hyperparameters (GYDF4y2Ba“fitrgp”GYDF4y2Ba量,物种);参数(1)。范围=(1的军医,1 e6);GYDF4y2Ba

通过GYDF4y2Ba参数个数GYDF4y2Ba的价值GYDF4y2Ba优化hyperParameters.GYDF4y2Ba．GYDF4y2Ba

默认情况下，在命令行出现迭代显示，并根据优化中超参数的数量出现绘图。对于优化和绘图，目标函数为GYDF4y2Ba日志（1 +交叉验证丢失）GYDF4y2Ba回归和分类误判率。为了控制迭代显示，设定GYDF4y2BaverbGYDF4y2Ba场的GYDF4y2Ba“HyperparameterOptimizationOptions”GYDF4y2Ba名称-值对的论点。要控制情节，设置GYDF4y2BaShowPlotsGYDF4y2Ba场的GYDF4y2Ba“HyperparameterOptimizationOptions”GYDF4y2Ba名称-值对的论点。GYDF4y2Ba

例如，请参见GYDF4y2Ba优化GPR回归GYDF4y2Ba．GYDF4y2Ba

例子:GYDF4y2Ba“汽车”GYDF4y2Ba

`“HyperparameterOptimizationOptions”GYDF4y2Ba`—GYDF4y2Ba选择优化GYDF4y2Ba
结构体GYDF4y2Ba

用于优化的选项，指定为逗号分隔的对，由GYDF4y2Ba“HyperparameterOptimizationOptions”GYDF4y2Ba和一个结构。此论点修改了效果GYDF4y2Ba优化hyperParameters.GYDF4y2Ba名称-值对的论点。结构中的所有字段都是可选的。GYDF4y2Ba

字段名GYDF4y2Ba	价值GYDF4y2Ba	默认GYDF4y2Ba
`优化器GYDF4y2Ba`	`“bayesopt”GYDF4y2Ba`-使用贝叶斯优化。在内部，这个设置调用GYDF4y2Ba`bayesoptGYDF4y2Ba`．GYDF4y2Ba `“gridsearch”GYDF4y2Ba`-使用网格搜索GYDF4y2Ba`NumGridDivisionsGYDF4y2Ba`每个维度的值。GYDF4y2Ba `'randomsearch'GYDF4y2Ba`-随机搜索GYDF4y2Ba`MaxObjectiveEvaluationsGYDF4y2Ba`点。GYDF4y2Ba `“gridsearch”GYDF4y2Ba`以随机顺序搜索，使用均匀采样而无需替换电网。优化后，您可以使用命令在网格秩序中获取表GYDF4y2Ba`调用sortRows（Mdl.HyperparameterOptimizationResults）GYDF4y2Ba`．GYDF4y2Ba	`“bayesopt”GYDF4y2Ba`
`AcquisitionFunctionNameGYDF4y2Ba`	`“expected-improvement-per-second-plus”GYDF4y2Ba` `“预计-改善”GYDF4y2Ba` `'预期改善加'GYDF4y2Ba` `'预期 - 每秒改善'GYDF4y2Ba` `“lower-confidence-bound”GYDF4y2Ba` `“probability-of-improvement”GYDF4y2Ba` 获取函数的名称包括GYDF4y2Ba`每秒GYDF4y2Ba`不会产生可重复的结果，因为优化依赖于目标函数的运行时间。获取函数的名称包括GYDF4y2Ba`加GYDF4y2Ba`当他们过度开发一个区域时，调整他们的行为。有关详细信息，请参见GYDF4y2Ba获取函数类型GYDF4y2Ba．GYDF4y2Ba	`“expected-improvement-per-second-plus”GYDF4y2Ba`
`MaxObjectiveEvaluationsGYDF4y2Ba`	目标函数求值的最大次数。GYDF4y2Ba	`30GYDF4y2Ba`为GYDF4y2Ba`“bayesopt”GYDF4y2Ba`或者GYDF4y2Ba`'randomsearch'GYDF4y2Ba`，并为整个电网GYDF4y2Ba`“gridsearch”GYDF4y2Ba`
`MaxTimeGYDF4y2Ba`	时间限制，指定为正实数。时间限制以秒为单位，由GYDF4y2Ba`抽搐GYDF4y2Ba`和GYDF4y2Ba`TOC.GYDF4y2Ba`．运行时间可以超过GYDF4y2Ba`MaxTimeGYDF4y2Ba`因为GYDF4y2Ba`MaxTimeGYDF4y2Ba`不中断功能的评价。GYDF4y2Ba	`正GYDF4y2Ba`
`NumGridDivisionsGYDF4y2Ba`	为GYDF4y2Ba`“gridsearch”GYDF4y2Ba`，表示每个维度中值的数量。该值可以是一个给出每个维度值数量的正整数向量，也可以是适用于所有维度的标量。对于分类变量，该字段被忽略。GYDF4y2Ba	`10GYDF4y2Ba`
`ShowPlotsGYDF4y2Ba`	指示是否显示绘图的逻辑值。如果GYDF4y2Ba`真的GYDF4y2Ba`，此字段绘制迭代号的最佳目标函数值。如果有一个或两个优化参数，并且如果GYDF4y2Ba`优化器GYDF4y2Ba`是GYDF4y2Ba`“bayesopt”GYDF4y2Ba`,然后GYDF4y2Ba`ShowPlotsGYDF4y2Ba`还根据参数绘制了目标函数的模型。GYDF4y2Ba	`真的GYDF4y2Ba`
`SaveIntermediateResultsGYDF4y2Ba`	表示是否保存结果的逻辑值GYDF4y2Ba`优化器GYDF4y2Ba`是GYDF4y2Ba`“bayesopt”GYDF4y2Ba`．如果GYDF4y2Ba`真的GYDF4y2Ba`，该字段将覆盖名为工作空间可变GYDF4y2Ba`'BayesoptResults'GYDF4y2Ba`在每次迭代。变量是一个GYDF4y2Ba`BayesianOptimizationGYDF4y2Ba`对象。GYDF4y2Ba	`假GYDF4y2Ba`
`verbGYDF4y2Ba`	显示到命令行。GYDF4y2Ba `0GYDF4y2Ba`- 没有迭代显示GYDF4y2Ba `1.GYDF4y2Ba`——迭代显示GYDF4y2Ba `2.GYDF4y2Ba`-带额外信息的迭代显示GYDF4y2Ba 有关详细信息，请参阅GYDF4y2Ba`bayesoptGYDF4y2BaverbGYDF4y2Ba`名称-值对的论点。GYDF4y2Ba	`1.GYDF4y2Ba`
`UseParallelGYDF4y2Ba`	逻辑值，指示是否并行运行Bayesian Optimization，这需要并行计算工具箱™。由于并行时序的不可递容性，并行贝叶斯优化不一定会产生可重复的结果。有关详细信息,请参见GYDF4y2Ba并行贝叶斯优化GYDF4y2Ba．GYDF4y2Ba	`假GYDF4y2Ba`
`重新分区GYDF4y2Ba`	指示是否在每次迭代时重新划分交叉验证的逻辑值。如果GYDF4y2Ba`假GYDF4y2Ba`，优化器使用单个分区进行优化。GYDF4y2Ba `真的GYDF4y2Ba`通常给出最健壮的结果，因为这个设置考虑到了分区噪声。然而，为了得到好的结果，GYDF4y2Ba`真的GYDF4y2Ba`需要至少两倍的功能评估。GYDF4y2Ba	`假GYDF4y2Ba`
请使用以下三个字段名中的一个。GYDF4y2Ba
`CVPartitionGYDF4y2Ba`	A.GYDF4y2Ba`cvpartitionGYDF4y2Ba`对象创建的GYDF4y2Ba`cvpartitionGYDF4y2Ba`．GYDF4y2Ba	`'kfold'，5GYDF4y2Ba`如果您未指定任何交叉验证字段GYDF4y2Ba
`坚持GYDF4y2Ba`	范围内的标量GYDF4y2Ba`(0,1)GYDF4y2Ba`表示坚持不懈的分数。GYDF4y2Ba
`kfold.GYDF4y2Ba`	大于1的整数。GYDF4y2Ba

例子:GYDF4y2Ba'hyperparameteroptimizationOptions'，struct（'maxobjectiveevaluations'，60）GYDF4y2Ba

数据类型:GYDF4y2Ba塑造GYDF4y2Ba

其他GYDF4y2Ba

全部折叠GYDF4y2Ba

`'predictornames'GYDF4y2Ba`—GYDF4y2Ba预测变量的名字GYDF4y2Ba
字符串唯一名称数组GYDF4y2Ba|GYDF4y2Ba唯一字符向量的单元格数组GYDF4y2Ba

预测值变量名称，指定为逗号分隔的配对GYDF4y2Ba'predictornames'GYDF4y2Ba以及唯一名称的字符串数组或唯一字符向量的单元格数组。的功能GYDF4y2Ba'predictornames'GYDF4y2Ba取决于您提供培训数据的方式。GYDF4y2Ba

如果你提供GYDF4y2BaXGYDF4y2Ba和GYDF4y2BaYGYDF4y2Ba，然后您可以使用GYDF4y2Ba'predictornames'GYDF4y2Ba给出预测变量GYDF4y2BaXGYDF4y2Ba的名字。GYDF4y2Ba
- 名称的顺序GYDF4y2BaPredictorNamesGYDF4y2Ba必须对应于的列顺序GYDF4y2BaXGYDF4y2Ba．也就是说,GYDF4y2BaPredictorNames {1}GYDF4y2Ba你的名字是什么GYDF4y2BaX (: 1)GYDF4y2Ba,GYDF4y2BaPredictorNames {2}GYDF4y2Ba你的名字是什么GYDF4y2BaX (:, 2)GYDF4y2Ba，等等。同时,GYDF4y2Ba尺寸（x，2）GYDF4y2Ba和GYDF4y2Ba元素个数(PredictorNames)GYDF4y2Ba必须平等。GYDF4y2Ba
- 默认情况下,GYDF4y2BaPredictorNamesGYDF4y2Ba是GYDF4y2Ba{'x1'，'x2'，…}GYDF4y2Ba．GYDF4y2Ba
如果你提供GYDF4y2Ba资源描述GYDF4y2Ba，然后您可以使用GYDF4y2Ba'predictornames'GYDF4y2Ba选择在训练中使用的预测变量。也就是说,GYDF4y2BafitrgpGYDF4y2Ba使用中的预测变量GYDF4y2BaPredictorNamesGYDF4y2Ba只有在训练中才会有反应。GYDF4y2Ba
- PredictorNamesGYDF4y2Ba一定是?的子集GYDF4y2BaTbl.Properties.VariableNamesGYDF4y2Ba并且不能包含响应变量的名称。GYDF4y2Ba
- 默认情况下,GYDF4y2BaPredictorNamesGYDF4y2Ba包含所有预测变量的名称。GYDF4y2Ba
- 为训练指定预测器是一个很好的实践GYDF4y2Ba'predictornames'GYDF4y2Ba或者GYDF4y2Ba公式GYDF4y2Ba只有GYDF4y2Ba

例子:GYDF4y2Ba'predictornames'，{'pedallength'，'pedalwidth'}GYDF4y2Ba

数据类型:GYDF4y2Ba细绳GYDF4y2Ba|GYDF4y2Ba细胞GYDF4y2Ba

`'responsebame'GYDF4y2Ba`—GYDF4y2Ba响应变量名GYDF4y2Ba
`“Y”GYDF4y2Ba`（默认）|GYDF4y2Ba特征向量GYDF4y2Ba|GYDF4y2Ba字符串标量GYDF4y2Ba

响应变量名，指定为字符向量或字符串标量。GYDF4y2Ba

如果你提供GYDF4y2BaYGYDF4y2Ba，然后您可以使用GYDF4y2Ba'responsebame'GYDF4y2Ba为响应变量指定名称。GYDF4y2Ba
如果你提供GYDF4y2BaResponseVarNameGYDF4y2Ba或者GYDF4y2Ba公式GYDF4y2Ba，则不能使用GYDF4y2Ba'responsebame'GYDF4y2Ba．GYDF4y2Ba

例子:GYDF4y2Ba“ResponseName”、“响应”GYDF4y2Ba

数据类型:GYDF4y2Ba字符GYDF4y2Ba|GYDF4y2Ba细绳GYDF4y2Ba

`“详细”GYDF4y2Ba`—GYDF4y2Ba冗长的水平GYDF4y2Ba
0GYDF4y2Ba（默认）|GYDF4y2Ba1.GYDF4y2Ba

详细程度，指定为逗号分隔对，由GYDF4y2Ba“详细”GYDF4y2Ba和下面的一个。GYDF4y2Ba

0 —GYDF4y2BafitrgpGYDF4y2Ba抑制与活动集选择和块坐标下降相关的诊断消息，但根据的值显示与参数估计相关的消息GYDF4y2Ba“显示”GYDF4y2Ba在GYDF4y2Ba优化配置GYDF4y2Ba．GYDF4y2Ba
1 -GYDF4y2BafitrgpGYDF4y2Ba显示与参数估计、活动集选择和块坐标下降相关的迭代诊断消息。GYDF4y2Ba

例子:GYDF4y2Ba'verbose'，1GYDF4y2Ba

`“CacheSize”GYDF4y2Ba`—GYDF4y2Ba缓存大小（MB）GYDF4y2Ba
1000 MBGYDF4y2Ba（默认）|GYDF4y2Ba积极的标量GYDF4y2Ba

缓存大小单位为兆字节（MB），指定为逗号分隔的一对组成的GYDF4y2Ba“CacheSize”GYDF4y2Ba一个正标量。缓存大小是除了适合和活动集选择所需的额外内存之外可用的额外内存。GYDF4y2BafitrgpGYDF4y2Ba使用GYDF4y2BaCacheSizeGYDF4y2Ba到：GYDF4y2Ba

在估计参数时，决定是否应该缓存点间距离。GYDF4y2Ba
决定如何计算矩阵载体产品以用于块坐标缩进方法和进行下载188bet金宝搏预测。GYDF4y2Ba

例子:GYDF4y2Ba'CacheSize'，2000GYDF4y2Ba

数据类型:GYDF4y2Ba双GYDF4y2Ba

输出参数GYDF4y2Ba

全部折叠GYDF4y2Ba

`gprMdlGYDF4y2Ba`-高斯过程回归模型GYDF4y2Ba
`RegressionGPGYDF4y2Ba`反对|GYDF4y2Ba`回归排放性的模型GYDF4y2Ba`对象GYDF4y2Ba

高斯过程回归模型，作为一个返回GYDF4y2BaRegressionGPGYDF4y2Ba或者一个GYDF4y2Ba回归排放性的模型GYDF4y2Ba对象。GYDF4y2Ba

如果你交叉验证，也就是说，如果你使用GYDF4y2Ba'横向'GYDF4y2Ba,GYDF4y2Ba'kfold'GYDF4y2Ba,GYDF4y2Ba“坚持”GYDF4y2Ba,GYDF4y2Ba“Leaveout”GYDF4y2Ba或GYDF4y2Ba“CVPartition”GYDF4y2Ba名称-值对,然后GYDF4y2BagprMdlGYDF4y2Ba是一个GYDF4y2Ba回归排放性的模型GYDF4y2Ba对象。你不能用GYDF4y2Ba回归排放性的模型GYDF4y2Ba对象进行预测使用GYDF4y2Ba预测GYDF4y2Ba．有关此对象的方法和属性的更多信息，请参见GYDF4y2Ba回归排放性的模型GYDF4y2Ba．GYDF4y2Ba
如果没有交叉验证，那么GYDF4y2BagprMdlGYDF4y2Ba是一个GYDF4y2BaRegressionGPGYDF4y2Ba对象。您可以使用此对象使用的预测GYDF4y2Ba预测GYDF4y2Ba方法。有关此对象的方法和属性的更多信息，请参见GYDF4y2BaRegressionGPGYDF4y2Ba．GYDF4y2Ba

迭代数GYDF4y2Ba	有效集GYDF4y2Ba	参数向量GYDF4y2Ba	日志可能性GYDF4y2Ba
1.GYDF4y2Ba	A.GYDF4y2Ba_1.GYDF4y2Ba	η.GYDF4y2Ba_1.GYDF4y2Ba	LGYDF4y2Ba_1.GYDF4y2Ba
2.GYDF4y2Ba	A.GYDF4y2Ba_2.GYDF4y2Ba	η.GYDF4y2Ba_2.GYDF4y2Ba	LGYDF4y2Ba_2.GYDF4y2Ba
3.GYDF4y2Ba	A.GYDF4y2Ba_3.GYDF4y2Ba	η.GYDF4y2Ba_3.GYDF4y2Ba	LGYDF4y2Ba_3.GYDF4y2Ba
…GYDF4y2Ba	…GYDF4y2Ba	…GYDF4y2Ba	…GYDF4y2Ba

提示GYDF4y2Ba

fitrgpGYDF4y2Ba接受拟合、预测和活动集选择方法的任意组合。在某些情况下，可能无法计算预测响应的标准偏差，因此无法计算预测间隔。看见GYDF4y2Ba预测GYDF4y2Ba．在某些情况下，由于培训数据的大小，使用确切的方法可能是昂贵的。GYDF4y2Ba
这个GYDF4y2BaPredictorNamesGYDF4y2Ba属性为每个原始预测器变量名存储一个元素。例如，如果有三个预测因子，其中一个是有三个层次的分类变量，GYDF4y2BaPredictorNamesGYDF4y2Ba是字符矢量的1×3单元阵列。GYDF4y2Ba
这个GYDF4y2BaExpandedPredictorNamesGYDF4y2Ba属性存储每个预测变量，包括虚拟变量的一种元素。例如，如果有三个预测器，其中的一个是具有三个电平的分类变量，然后GYDF4y2BaExpandedPredictorNamesGYDF4y2Ba是字符向量的1×5单元数组。GYDF4y2Ba
类似地,GYDF4y2BaβGYDF4y2Ba属性存储每个预测器(包括虚拟变量)的一个beta系数。GYDF4y2Ba
这个GYDF4y2BaXGYDF4y2Ba属性将训练数据存储为原始输入。它不包括虚拟变量。GYDF4y2Ba
在中初始化Hessian近似的默认方法GYDF4y2BafitrgpGYDF4y2Ba当您拥有许多内核参数的GPR模型时，可能会很慢，例如使用具有许多预测器的ARD内核。在这种情况下，考虑指定GYDF4y2Ba“汽车”GYDF4y2Ba或者初始步长的值。GYDF4y2Ba
你可以设置GYDF4y2Ba'verbose'，1GYDF4y2Ba迭代诊断消息的显示，并开始使用一个或LBFGS拟牛顿优化器与默认训练GPR模型GYDF4y2BafitrgpGYDF4y2Ba优化。如果在几秒钟之后不显示迭代诊断消息，则Hessian近似可能的初始化也会花费太长。在这种情况下，考虑重新启动培训并使用初始步长来加速优化。GYDF4y2Ba
在训练模型之后，您可以生成预测新数据响应的C/C++代码。生成C/C++代码需要GYDF4y2BaMATLAB编码器™GYDF4y2Ba．有关详细信息,请参见GYDF4y2Ba代码生成简介GYDF4y2Ba．GYDF4y2Ba．GYDF4y2Ba

算法GYDF4y2Ba

拟合GPR模型需要从数据中估计以下模型参数:GYDF4y2Ba
- 协方差函数GYDF4y2Ba $KGYDF4y2Ba (GYDF4y2Ba {xGYDF4y2Ba}_{我GYDF4y2Ba},GYDF4y2Ba {xGYDF4y2Ba}_{JGYDF4y2Ba} |GYDF4y2Ba θ.GYDF4y2Ba)GYDF4y2Ba$ 根据向量中的核参数进行参数化GYDF4y2Ba $θ.GYDF4y2Ba$ (见GYDF4y2Ba内核（协方差）功能选项GYDF4y2Ba)GYDF4y2Ba
- 噪声方差，GYDF4y2Ba ${σGYDF4y2Ba}^{2.GYDF4y2Ba}$
- 固定基函数的系数矢量，GYDF4y2Ba $βGYDF4y2Ba$
价值GYDF4y2Ba“内核参数”GYDF4y2Ba名称值对参数是一个矢量，由信号标准偏差的初始值组成GYDF4y2Ba ${σGYDF4y2Ba}_{FGYDF4y2Ba}$ 以及特征长度标度GYDF4y2Ba ${σGYDF4y2Ba}_{LGYDF4y2Ba}$ ．这个GYDF4y2BafitrgpGYDF4y2Ba函数使用这些值来确定内核参数。类似地,GYDF4y2Ba“σ”GYDF4y2Ba名称值对参数包含噪声标准偏差的初始值GYDF4y2Ba $σGYDF4y2Ba$ ．GYDF4y2Ba
在优化过程中,，GYDF4y2BafitrgpGYDF4y2Ba创建无约束初始参数值的向量GYDF4y2Ba ${η.GYDF4y2Ba}_{0GYDF4y2Ba}$ 利用噪声标准差的初值和核参数。GYDF4y2Ba
fitrgpGYDF4y2Ba解析确定显式基系数GYDF4y2Ba $βGYDF4y2Ba$ ，由GYDF4y2Ba“贝塔”GYDF4y2Ba的名称-值对参数，由的估计值GYDF4y2Ba $θ.GYDF4y2Ba$ 和GYDF4y2Ba ${σGYDF4y2Ba}^{2.GYDF4y2Ba}$ ．因此,GYDF4y2Ba $βGYDF4y2Ba$ 没有出现在GYDF4y2Ba ${η.GYDF4y2Ba}_{0GYDF4y2Ba}$ 向量的时候GYDF4y2BafitrgpGYDF4y2Ba初始化数值优化。GYDF4y2Ba

请注意GYDF4y2Ba

如果你没有指定对探地雷达模型参数的估计，GYDF4y2BafitrgpGYDF4y2Ba使用GYDF4y2Ba“贝塔”GYDF4y2Ba名称-值对参数和其他初始参数值作为已知的GPR参数值(参见GYDF4y2BaβGYDF4y2Ba). 在所有其他情况下GYDF4y2Ba“贝塔”GYDF4y2Ba参数从目标函数分析地进行了优化。GYDF4y2Ba
Quasi-Newton优化器使用具有密集，对称秩-1（SR1）的信任区域方法，Quasi-Newton近似到Hessian，而LBFGS优化器使用标准的线路搜索方法，其中包含有限的内存泡卷-fletcher-goldfarb-shanno（lbfgs）quasi-newton近似到黑森州。查看Nocedal和Wright [6]。GYDF4y2Ba
如果你设置了GYDF4y2Ba“InitialStepSize”GYDF4y2Ba的名称-值对参数GYDF4y2Ba“汽车”GYDF4y2Ba,GYDF4y2BafitrgpGYDF4y2Ba确定初始步长大小，GYDF4y2Ba ${‖GYDF4y2Ba {sGYDF4y2Ba}_{0GYDF4y2Ba} ‖GYDF4y2Ba}_{∞GYDF4y2Ba}$ ,通过使用GYDF4y2Ba ${‖GYDF4y2Ba {sGYDF4y2Ba}_{0GYDF4y2Ba} ‖GYDF4y2Ba}_{∞GYDF4y2Ba} =GYDF4y2Ba 0．5GYDF4y2Ba {‖GYDF4y2Ba {η.GYDF4y2Ba}_{0GYDF4y2Ba} ‖GYDF4y2Ba}_{∞GYDF4y2Ba} +GYDF4y2Ba 0．1GYDF4y2Ba$ ．GYDF4y2Ba
${sGYDF4y2Ba}_{0GYDF4y2Ba}$ 是初始步骤矢量，和GYDF4y2Ba ${η.GYDF4y2Ba}_{0GYDF4y2Ba}$ 为无约束初始参数值的向量。GYDF4y2Ba
在优化过程中,，GYDF4y2BafitrgpGYDF4y2Ba使用初始步长，GYDF4y2Ba ${‖GYDF4y2Ba {sGYDF4y2Ba}_{0GYDF4y2Ba} ‖GYDF4y2Ba}_{∞GYDF4y2Ba}$ ，如下：GYDF4y2Ba
如果你使用GYDF4y2Ba'优化器'，'quasinewton'GYDF4y2Ba，则初始Hessian近似为GYDF4y2Ba $\frac{{‖GYDF4y2Ba {GGYDF4y2Ba}_{0GYDF4y2Ba} ‖GYDF4y2Ba}_{∞GYDF4y2Ba}}{{‖GYDF4y2Ba {sGYDF4y2Ba}_{0GYDF4y2Ba} ‖GYDF4y2Ba}_{∞GYDF4y2Ba}} 我GYDF4y2Ba$ ．GYDF4y2Ba
如果你使用GYDF4y2Ba'优化器'，'lbfgs'GYDF4y2Ba的初始步长，则初始反hessian近似为GYDF4y2Ba $\frac{{‖GYDF4y2Ba {sGYDF4y2Ba}_{0GYDF4y2Ba} ‖GYDF4y2Ba}_{∞GYDF4y2Ba}}{{‖GYDF4y2Ba {GGYDF4y2Ba}_{0GYDF4y2Ba} ‖GYDF4y2Ba}_{∞GYDF4y2Ba}} 我GYDF4y2Ba$ ．GYDF4y2Ba
${GGYDF4y2Ba}_{0GYDF4y2Ba}$ 是初始梯度向量吗GYDF4y2Ba $我GYDF4y2Ba$ 是单位矩阵。GYDF4y2Ba

参考文献GYDF4y2Ba

纳什、w.j.、t.l.塞勒斯、s.r.塔尔博特、a.j.考索恩和w.b.福特。鲍鱼的种群生物学(GYDF4y2Ba石决明GYDF4y2Ba物种)的塔斯马尼亚岛。I.黑唇鲍鱼(GYDF4y2BaH. Rubra.GYDF4y2Ba)从北海岸和巴斯海峡群岛。”海洋渔业司，技术报告第48号，1994年。GYDF4y2Ba

[2]沃,S。串级相关的扩展和基准:前馈监督人工神经网络的串级相关体系结构和基准的扩展。GYDF4y2Ba塔斯马尼亚大学计算机科学系毕业论文GYDF4y2Ba, 1995年。GYDF4y2Ba

Lichman, m.m UCI Machine Learning Repository, Irvine, CA: University of California, School of Information and Computer Science, 2013。http://archive.ics.uci.edu/ml。GYDF4y2Ba

[4] Rasmussen，C. E.和C.K. I.威廉姆斯。GYDF4y2Ba机器学习的高斯过程。GYDF4y2Ba麻省理工学院出版社。马萨诸塞州剑桥,2006年。GYDF4y2Ba

J. C. Lagarias, J. C. reed, M. H. Wright和P. E. Wright。低维中Nelder-Mead单纯形法的收敛性GYDF4y2BaSIAM优化学报GYDF4y2Ba. 1998年第9卷第1期，第112-147页。GYDF4y2Ba

[6] Nocedal，J.和S. Wright。GYDF4y2Ba数值优化GYDF4y2Ba,第二版。施普林格运筹学系列，施普林格Verlag, 2006。GYDF4y2Ba

扩展能力GYDF4y2Ba

自动并行支持金宝appGYDF4y2Ba
使用并行计算工具箱™自动并行运行计算，加速代码。GYDF4y2Ba

要执行并行超参数优化，请使用GYDF4y2Ba“HyperparameterOptimizationOptions”，结构（'UseParallel'，true）GYDF4y2Ba调用此函数时的名称-值参数。GYDF4y2Ba

有关并行覆盖物优化的更多信息，请参阅GYDF4y2Ba并行贝叶斯优化GYDF4y2Ba．GYDF4y2Ba

有关并行计算的一般信息，请参见GYDF4y2Ba使用自动并行支持运行MATLAB功能金宝appGYDF4y2Ba（并行计算工具箱）GYDF4y2Ba．GYDF4y2Ba

另请参阅GYDF4y2Ba

紧凑的GYDF4y2Ba|GYDF4y2Ba预测GYDF4y2Ba|GYDF4y2BaRegressionGPGYDF4y2Ba

话题GYDF4y2Ba

介绍了R2015bGYDF4y2Ba

fitrgpGYDF4y2Ba

语法GYDF4y2Ba

描述GYDF4y2Ba

例子GYDF4y2Ba

使用表中的数据训练GPR模型GYDF4y2Ba

训练探地雷达模型和绘图预测GYDF4y2Ba

指定初始内核参数值的影响GYDF4y2Ba

使用独立的长度尺度预测GYDF4y2Ba

优化GPR回归GYDF4y2Ba

使用交叉验证列车GPR模型GYDF4y2Ba

使用自定义内核功能适合GPR模型GYDF4y2Ba

指定LBFGS优化的初始步长GYDF4y2Ba

输入参数GYDF4y2Ba

资源描述GYDF4y2Ba—GYDF4y2Ba样本数据GYDF4y2Ba表格GYDF4y2Ba

ResponseVarNameGYDF4y2Ba—GYDF4y2Ba响应变量名GYDF4y2Ba中的变量名GYDF4y2Ba资源描述GYDF4y2Ba

公式GYDF4y2Ba—GYDF4y2Ba响应和预测变量模型的训练使用GYDF4y2Ba的形式的字符向量或字符串标量GYDF4y2Ba'y〜x1 + x2 + x3'GYDF4y2Ba

XGYDF4y2Ba—GYDF4y2Ba对于GPR模型预测数据GYDF4y2BaNGYDF4y2Ba——- - - - - -GYDF4y2BaDGYDF4y2Ba矩阵GYDF4y2Ba

YGYDF4y2Ba—GYDF4y2BaGPR模型的响应数据GYDF4y2BaNGYDF4y2Ba1的向量GYDF4y2Ba

名称值对参数GYDF4y2Ba

“FitMethod”GYDF4y2Ba—GYDF4y2Ba探地雷达模型参数的估计方法GYDF4y2Ba'没有任何'GYDF4y2Ba|GYDF4y2Ba“准确”GYDF4y2Ba|GYDF4y2Ba“sd”GYDF4y2Ba|GYDF4y2Ba“sr”GYDF4y2Ba|GYDF4y2Ba'fic'GYDF4y2Ba

'基本功能'GYDF4y2Ba—GYDF4y2BaGPR模型的显式基础GYDF4y2Ba'持续的'GYDF4y2Ba（默认）|GYDF4y2Ba'没有任何'GYDF4y2Ba|GYDF4y2Ba“线性”GYDF4y2Ba|GYDF4y2Ba“纯二次型”GYDF4y2Ba|GYDF4y2Ba函数处理GYDF4y2Ba

“贝塔”GYDF4y2Ba—GYDF4y2Ba系数的初值GYDF4y2BaPGYDF4y2Ba1的向量GYDF4y2Ba

“σ”GYDF4y2Ba—GYDF4y2Ba高斯过程模型噪声标准差的初值GYDF4y2Ba性病GYDF4y2Ba(GYDF4y2BaYGYDF4y2Ba）／GYDF4y2BaSQRT（2）GYDF4y2Ba（默认）|GYDF4y2Ba正标量值GYDF4y2Ba

“ConstantSigma”GYDF4y2Ba—GYDF4y2Ba不变的价值GYDF4y2BaσGYDF4y2Ba高斯过程模型的噪声标准差GYDF4y2Ba假GYDF4y2Ba（默认）|GYDF4y2Ba真的GYDF4y2Ba

“SigmaLowerBound”GYDF4y2Ba—GYDF4y2Ba噪声标准差的下界GYDF4y2Ba1依照*性病GYDF4y2Ba(GYDF4y2BaYGYDF4y2Ba)GYDF4y2Ba（默认）|GYDF4y2Ba正标量值GYDF4y2Ba

“CategoricalPredictors”GYDF4y2Ba—GYDF4y2Ba分类预测列表GYDF4y2Ba正整数向量GYDF4y2Ba|GYDF4y2Ba逻辑向量GYDF4y2Ba|GYDF4y2Ba字符矩阵GYDF4y2Ba|GYDF4y2Ba字符串数组GYDF4y2Ba|GYDF4y2Ba字符向量的单元格阵列GYDF4y2Ba|GYDF4y2Ba“所有”GYDF4y2Ba

“标准化”GYDF4y2Ba—GYDF4y2Ba数据标准化指标GYDF4y2Ba0（假）GYDF4y2Ba（默认）|GYDF4y2Ba逻辑值GYDF4y2Ba

“正规化”GYDF4y2Ba—GYDF4y2Ba正则化标准差GYDF4y2Ba1依照*性病GYDF4y2Ba(GYDF4y2BaYGYDF4y2Ba)GYDF4y2Ba（默认）|GYDF4y2Ba正标量值GYDF4y2Ba

'计算方法'GYDF4y2Ba—GYDF4y2Ba对数似然和梯度的计算方法GYDF4y2Ba“qr”GYDF4y2Ba（默认）|GYDF4y2Ba“v”GYDF4y2Ba

“内核参数”GYDF4y2Ba—GYDF4y2Ba内核参数的初始值GYDF4y2Ba矢量GYDF4y2Ba

“DistanceMethod”GYDF4y2Ba—GYDF4y2Ba点间距离的计算方法GYDF4y2Ba“快”GYDF4y2Ba（默认）|GYDF4y2Ba“准确”GYDF4y2Ba

“ActiveSet”GYDF4y2Ba—GYDF4y2Ba在活动集的观察GYDF4y2Ba［］GYDF4y2Ba（默认）|GYDF4y2BaMGYDF4y2Ba-by-1的整数向量，范围从1到GYDF4y2BaNGYDF4y2Ba(GYDF4y2BaMGYDF4y2Ba≤.GYDF4y2BaNGYDF4y2Ba)GYDF4y2Ba|GYDF4y2Ba长度的逻辑矢量GYDF4y2BaNGYDF4y2Ba

“ActiveSetSize”GYDF4y2Ba—GYDF4y2Ba稀疏方法活动集的大小GYDF4y2Ba一个整数GYDF4y2BaMGYDF4y2Ba(1≤GYDF4y2BaMGYDF4y2Ba≤.GYDF4y2BaNGYDF4y2Ba)GYDF4y2Ba

“ActiveSetMethod”GYDF4y2Ba—GYDF4y2Ba主动集选择法GYDF4y2Ba“随机”GYDF4y2Ba（默认）|GYDF4y2Ba“sgma”GYDF4y2Ba|GYDF4y2Ba“熵”GYDF4y2Ba|GYDF4y2Ba“可能性”GYDF4y2Ba

“RandomSearchSetSize”GYDF4y2Ba—GYDF4y2Ba随机搜索集大小GYDF4y2Ba59GYDF4y2Ba（默认）|GYDF4y2Ba整型值GYDF4y2Ba

“ToleranceActiveSet”GYDF4y2Ba—GYDF4y2Ba终止激活集选择的相对公差GYDF4y2Ba1 e-06GYDF4y2Ba（默认）|GYDF4y2Ba积极的标量GYDF4y2Ba

“NumActiveSetRepeats”GYDF4y2Ba—GYDF4y2Ba数量的重复GYDF4y2Ba3.GYDF4y2Ba（默认）|GYDF4y2Ba整型值GYDF4y2Ba

'predictmethod'GYDF4y2Ba—GYDF4y2Ba用来做预测的方法GYDF4y2Ba“准确”GYDF4y2Ba|GYDF4y2Ba'bcd'GYDF4y2Ba|GYDF4y2Ba“sd”GYDF4y2Ba|GYDF4y2Ba“sr”GYDF4y2Ba|GYDF4y2Ba'fic'GYDF4y2Ba

“BlockSizeBCD”GYDF4y2Ba—GYDF4y2Ba块大小GYDF4y2Ba最少1000或GYDF4y2BaNGYDF4y2Ba（默认）|GYDF4y2Ba整数从1到的范围内GYDF4y2BaNGYDF4y2Ba

'NumGreedyBCD'GYDF4y2Ba—GYDF4y2Ba贪婪选择数量GYDF4y2Ba最少100及GYDF4y2Bablocksizebcd.GYDF4y2Ba（默认）|GYDF4y2Ba整数，取值范围是1 ~GYDF4y2Bablocksizebcd.GYDF4y2Ba

'toleancebcd'GYDF4y2Ba—GYDF4y2Ba对梯度规范的相对容差GYDF4y2Ba1 e - 3GYDF4y2Ba（默认）|GYDF4y2Ba积极的标量GYDF4y2Ba

“StepToleranceBCD”GYDF4y2Ba—GYDF4y2Ba步长绝对公差GYDF4y2Ba1 e - 3GYDF4y2Ba（默认）|GYDF4y2Ba积极的标量GYDF4y2Ba

“IterationLimitBCD”GYDF4y2Ba—GYDF4y2Ba最大BCD迭代次数GYDF4y2Ba1000000GYDF4y2Ba（默认）|GYDF4y2Ba整型值GYDF4y2Ba

“优化”GYDF4y2Ba—GYDF4y2Ba用于参数估计的优化器GYDF4y2Ba“quasinewton”GYDF4y2Ba（默认）|GYDF4y2Ba“lbfgs”GYDF4y2Ba|GYDF4y2Ba“fminsearch”GYDF4y2Ba|GYDF4y2Ba“fminunc”GYDF4y2Ba|GYDF4y2Ba“fmincon”GYDF4y2Ba

“OptimizerOptions”GYDF4y2Ba—GYDF4y2Ba优化器的选项GYDF4y2Ba结构体GYDF4y2Ba|GYDF4y2Ba对象GYDF4y2Ba

“InitialStepSize”GYDF4y2Ba—GYDF4y2Ba初始步长GYDF4y2Ba［］GYDF4y2Ba（默认）|GYDF4y2Ba真正的正标量GYDF4y2Ba|GYDF4y2Ba“汽车”GYDF4y2Ba

“CrossVal”GYDF4y2Ba—GYDF4y2Ba交叉验证指示符GYDF4y2Ba“关闭”GYDF4y2Ba（默认）|GYDF4y2Ba“上”GYDF4y2Ba

“CVPartition”GYDF4y2Ba—GYDF4y2Ba分层的随机划分GYDF4y2BaKGYDF4y2Ba倍交叉验证GYDF4y2BacvpartitionGYDF4y2Ba对象GYDF4y2Ba

“坚持”GYDF4y2Ba—GYDF4y2Ba用于测试的部分数据GYDF4y2Ba在0到1范围内的标量值GYDF4y2Ba

'kfold'GYDF4y2Ba—GYDF4y2Ba折叠数量GYDF4y2Ba10GYDF4y2Ba（默认）|GYDF4y2Ba正整数值GYDF4y2Ba

“Leaveout”GYDF4y2Ba—GYDF4y2Ba遗漏一交叉验证的指示符GYDF4y2Ba“关闭”GYDF4y2Ba（默认）|GYDF4y2Ba“上”GYDF4y2Ba

“HyperparameterOptimizationOptions”GYDF4y2Ba—GYDF4y2Ba选择优化GYDF4y2Ba结构体GYDF4y2Ba

'predictornames'GYDF4y2Ba—GYDF4y2Ba预测变量的名字GYDF4y2Ba字符串唯一名称数组GYDF4y2Ba|GYDF4y2Ba唯一字符向量的单元格数组GYDF4y2Ba

'responsebame'GYDF4y2Ba—GYDF4y2Ba响应变量名GYDF4y2Ba“Y”GYDF4y2Ba（默认）|GYDF4y2Ba特征向量GYDF4y2Ba|GYDF4y2Ba字符串标量GYDF4y2Ba

“详细”GYDF4y2Ba—GYDF4y2Ba冗长的水平GYDF4y2Ba0GYDF4y2Ba（默认）|GYDF4y2Ba1.GYDF4y2Ba

“CacheSize”GYDF4y2Ba—GYDF4y2Ba缓存大小（MB）GYDF4y2Ba1000 MBGYDF4y2Ba（默认）|GYDF4y2Ba积极的标量GYDF4y2Ba

输出参数GYDF4y2Ba

gprMdlGYDF4y2Ba-高斯过程回归模型GYDF4y2BaRegressionGPGYDF4y2Ba反对|GYDF4y2Ba回归排放性的模型GYDF4y2Ba对象GYDF4y2Ba

更多关于GYDF4y2Ba

活动集选择和参数估计GYDF4y2Ba

提示GYDF4y2Ba

算法GYDF4y2Ba

参考文献GYDF4y2Ba

扩展能力GYDF4y2Ba

自动并行支持金宝appGYDF4y2Ba使用并行计算工具箱™自动并行运行计算，加速代码。GYDF4y2Ba

另请参阅GYDF4y2Ba

话题GYDF4y2Ba

统计和机器学习工具箱文档GYDF4y2Ba

金宝app

掌握机器学习:一步一步的指导与MATLABGYDF4y2Ba

`资源描述GYDF4y2Ba`—GYDF4y2Ba样本数据GYDF4y2Ba
`表格GYDF4y2Ba`

`ResponseVarNameGYDF4y2Ba`—GYDF4y2Ba响应变量名GYDF4y2Ba
中的变量名GYDF4y2Ba`资源描述GYDF4y2Ba`

`公式GYDF4y2Ba`—GYDF4y2Ba响应和预测变量模型的训练使用GYDF4y2Ba
的形式的字符向量或字符串标量GYDF4y2Ba`'y〜x1 + x2 + x3'GYDF4y2Ba`

`XGYDF4y2Ba`—GYDF4y2Ba对于GPR模型预测数据GYDF4y2Ba
NGYDF4y2Ba——- - - - - -GYDF4y2BaDGYDF4y2Ba矩阵GYDF4y2Ba

`YGYDF4y2Ba`—GYDF4y2BaGPR模型的响应数据GYDF4y2Ba
NGYDF4y2Ba1的向量GYDF4y2Ba

`“FitMethod”GYDF4y2Ba`—GYDF4y2Ba探地雷达模型参数的估计方法GYDF4y2Ba
`'没有任何'GYDF4y2Ba`|GYDF4y2Ba`“准确”GYDF4y2Ba`|GYDF4y2Ba`“sd”GYDF4y2Ba`|GYDF4y2Ba`“sr”GYDF4y2Ba`|GYDF4y2Ba`'fic'GYDF4y2Ba`

`'基本功能'GYDF4y2Ba`—GYDF4y2BaGPR模型的显式基础GYDF4y2Ba
`'持续的'GYDF4y2Ba`（默认）|GYDF4y2Ba`'没有任何'GYDF4y2Ba`|GYDF4y2Ba`“线性”GYDF4y2Ba`|GYDF4y2Ba`“纯二次型”GYDF4y2Ba`|GYDF4y2Ba函数处理GYDF4y2Ba

`“贝塔”GYDF4y2Ba`—GYDF4y2Ba系数的初值GYDF4y2Ba
PGYDF4y2Ba1的向量GYDF4y2Ba

`“σ”GYDF4y2Ba`—GYDF4y2Ba高斯过程模型噪声标准差的初值GYDF4y2Ba
`性病GYDF4y2Ba`(GYDF4y2Ba`YGYDF4y2Ba`）／GYDF4y2Ba`SQRT（2）GYDF4y2Ba`（默认）|GYDF4y2Ba正标量值GYDF4y2Ba

`“ConstantSigma”GYDF4y2Ba`—GYDF4y2Ba不变的价值GYDF4y2Ba`σGYDF4y2Ba`高斯过程模型的噪声标准差GYDF4y2Ba
`假GYDF4y2Ba`（默认）|GYDF4y2Ba`真的GYDF4y2Ba`

`“SigmaLowerBound”GYDF4y2Ba`—GYDF4y2Ba噪声标准差的下界GYDF4y2Ba
`1依照*性病GYDF4y2Ba`(GYDF4y2Ba`YGYDF4y2Ba`)GYDF4y2Ba（默认）|GYDF4y2Ba正标量值GYDF4y2Ba

`“CategoricalPredictors”GYDF4y2Ba`—GYDF4y2Ba分类预测列表GYDF4y2Ba
正整数向量GYDF4y2Ba|GYDF4y2Ba逻辑向量GYDF4y2Ba|GYDF4y2Ba字符矩阵GYDF4y2Ba|GYDF4y2Ba字符串数组GYDF4y2Ba|GYDF4y2Ba字符向量的单元格阵列GYDF4y2Ba|GYDF4y2Ba`“所有”GYDF4y2Ba`

`“标准化”GYDF4y2Ba`—GYDF4y2Ba数据标准化指标GYDF4y2Ba
`0（假）GYDF4y2Ba`（默认）|GYDF4y2Ba逻辑值GYDF4y2Ba

`“正规化”GYDF4y2Ba`—GYDF4y2Ba正则化标准差GYDF4y2Ba
`1依照*性病GYDF4y2Ba`(GYDF4y2Ba`YGYDF4y2Ba`)GYDF4y2Ba（默认）|GYDF4y2Ba正标量值GYDF4y2Ba

`'计算方法'GYDF4y2Ba`—GYDF4y2Ba对数似然和梯度的计算方法GYDF4y2Ba
`“qr”GYDF4y2Ba`（默认）|GYDF4y2Ba`“v”GYDF4y2Ba`

`“内核参数”GYDF4y2Ba`—GYDF4y2Ba内核参数的初始值GYDF4y2Ba
矢量GYDF4y2Ba

`“DistanceMethod”GYDF4y2Ba`—GYDF4y2Ba点间距离的计算方法GYDF4y2Ba
`“快”GYDF4y2Ba`（默认）|GYDF4y2Ba`“准确”GYDF4y2Ba`

`“ActiveSet”GYDF4y2Ba`—GYDF4y2Ba在活动集的观察GYDF4y2Ba
`［］GYDF4y2Ba`（默认）|GYDF4y2BaMGYDF4y2Ba-by-1的整数向量，范围从1到GYDF4y2BaNGYDF4y2Ba(GYDF4y2BaMGYDF4y2Ba≤.GYDF4y2BaNGYDF4y2Ba)GYDF4y2Ba|GYDF4y2Ba长度的逻辑矢量GYDF4y2BaNGYDF4y2Ba

`“ActiveSetSize”GYDF4y2Ba`—GYDF4y2Ba稀疏方法活动集的大小GYDF4y2Ba
一个整数GYDF4y2BaMGYDF4y2Ba(1≤GYDF4y2BaMGYDF4y2Ba≤.GYDF4y2BaNGYDF4y2Ba)GYDF4y2Ba

`“ActiveSetMethod”GYDF4y2Ba`—GYDF4y2Ba主动集选择法GYDF4y2Ba
`“随机”GYDF4y2Ba`（默认）|GYDF4y2Ba`“sgma”GYDF4y2Ba`|GYDF4y2Ba`“熵”GYDF4y2Ba`|GYDF4y2Ba`“可能性”GYDF4y2Ba`

`“RandomSearchSetSize”GYDF4y2Ba`—GYDF4y2Ba随机搜索集大小GYDF4y2Ba
59GYDF4y2Ba（默认）|GYDF4y2Ba整型值GYDF4y2Ba

`“ToleranceActiveSet”GYDF4y2Ba`—GYDF4y2Ba终止激活集选择的相对公差GYDF4y2Ba
1 e-06GYDF4y2Ba（默认）|GYDF4y2Ba积极的标量GYDF4y2Ba

`“NumActiveSetRepeats”GYDF4y2Ba`—GYDF4y2Ba数量的重复GYDF4y2Ba
3.GYDF4y2Ba（默认）|GYDF4y2Ba整型值GYDF4y2Ba

`'predictmethod'GYDF4y2Ba`—GYDF4y2Ba用来做预测的方法GYDF4y2Ba
`“准确”GYDF4y2Ba`|GYDF4y2Ba`'bcd'GYDF4y2Ba`|GYDF4y2Ba`“sd”GYDF4y2Ba`|GYDF4y2Ba`“sr”GYDF4y2Ba`|GYDF4y2Ba`'fic'GYDF4y2Ba`

`“BlockSizeBCD”GYDF4y2Ba`—GYDF4y2Ba块大小GYDF4y2Ba
最少1000或GYDF4y2BaNGYDF4y2Ba（默认）|GYDF4y2Ba整数从1到的范围内GYDF4y2BaNGYDF4y2Ba

`'NumGreedyBCD'GYDF4y2Ba`—GYDF4y2Ba贪婪选择数量GYDF4y2Ba
最少100及GYDF4y2Ba`blocksizebcd.GYDF4y2Ba`（默认）|GYDF4y2Ba整数，取值范围是1 ~GYDF4y2Ba`blocksizebcd.GYDF4y2Ba`

`'toleancebcd'GYDF4y2Ba`—GYDF4y2Ba对梯度规范的相对容差GYDF4y2Ba
`1 e - 3GYDF4y2Ba`（默认）|GYDF4y2Ba积极的标量GYDF4y2Ba

`“StepToleranceBCD”GYDF4y2Ba`—GYDF4y2Ba步长绝对公差GYDF4y2Ba
`1 e - 3GYDF4y2Ba`（默认）|GYDF4y2Ba积极的标量GYDF4y2Ba

`“IterationLimitBCD”GYDF4y2Ba`—GYDF4y2Ba最大BCD迭代次数GYDF4y2Ba
`1000000GYDF4y2Ba`（默认）|GYDF4y2Ba整型值GYDF4y2Ba

`“优化”GYDF4y2Ba`—GYDF4y2Ba用于参数估计的优化器GYDF4y2Ba
`“quasinewton”GYDF4y2Ba`（默认）|GYDF4y2Ba`“lbfgs”GYDF4y2Ba`|GYDF4y2Ba`“fminsearch”GYDF4y2Ba`|GYDF4y2Ba`“fminunc”GYDF4y2Ba`|GYDF4y2Ba`“fmincon”GYDF4y2Ba`

`“OptimizerOptions”GYDF4y2Ba`—GYDF4y2Ba优化器的选项GYDF4y2Ba
结构体GYDF4y2Ba|GYDF4y2Ba对象GYDF4y2Ba

`“InitialStepSize”GYDF4y2Ba`—GYDF4y2Ba初始步长GYDF4y2Ba
`［］GYDF4y2Ba`（默认）|GYDF4y2Ba真正的正标量GYDF4y2Ba|GYDF4y2Ba`“汽车”GYDF4y2Ba`

`“CrossVal”GYDF4y2Ba`—GYDF4y2Ba交叉验证指示符GYDF4y2Ba
`“关闭”GYDF4y2Ba`（默认）|GYDF4y2Ba`“上”GYDF4y2Ba`

`“CVPartition”GYDF4y2Ba`—GYDF4y2Ba分层的随机划分GYDF4y2BaKGYDF4y2Ba倍交叉验证GYDF4y2Ba
`cvpartitionGYDF4y2Ba`对象GYDF4y2Ba

`“坚持”GYDF4y2Ba`—GYDF4y2Ba用于测试的部分数据GYDF4y2Ba
在0到1范围内的标量值GYDF4y2Ba

`'kfold'GYDF4y2Ba`—GYDF4y2Ba折叠数量GYDF4y2Ba
10GYDF4y2Ba（默认）|GYDF4y2Ba正整数值GYDF4y2Ba

`“Leaveout”GYDF4y2Ba`—GYDF4y2Ba遗漏一交叉验证的指示符GYDF4y2Ba
`“关闭”GYDF4y2Ba`（默认）|GYDF4y2Ba`“上”GYDF4y2Ba`

`“HyperparameterOptimizationOptions”GYDF4y2Ba`—GYDF4y2Ba选择优化GYDF4y2Ba
结构体GYDF4y2Ba

`'predictornames'GYDF4y2Ba`—GYDF4y2Ba预测变量的名字GYDF4y2Ba
字符串唯一名称数组GYDF4y2Ba|GYDF4y2Ba唯一字符向量的单元格数组GYDF4y2Ba

`'responsebame'GYDF4y2Ba`—GYDF4y2Ba响应变量名GYDF4y2Ba
`“Y”GYDF4y2Ba`（默认）|GYDF4y2Ba特征向量GYDF4y2Ba|GYDF4y2Ba字符串标量GYDF4y2Ba

`“详细”GYDF4y2Ba`—GYDF4y2Ba冗长的水平GYDF4y2Ba
0GYDF4y2Ba（默认）|GYDF4y2Ba1.GYDF4y2Ba

`“CacheSize”GYDF4y2Ba`—GYDF4y2Ba缓存大小（MB）GYDF4y2Ba
1000 MBGYDF4y2Ba（默认）|GYDF4y2Ba积极的标量GYDF4y2Ba

`gprMdlGYDF4y2Ba`-高斯过程回归模型GYDF4y2Ba
`RegressionGPGYDF4y2Ba`反对|GYDF4y2Ba`回归排放性的模型GYDF4y2Ba`对象GYDF4y2Ba

自动并行支持金宝appGYDF4y2Ba
使用并行计算工具箱™自动并行运行计算，加速代码。GYDF4y2Ba