RegressionGP类

超类:CompactRegressionGP

高斯过程回归模型类

全部展开页面

描述

RegressionGP是一个高斯过程回归(GPR)模型。你可以训练GPR模型，使用fitrgp．使用训练过的模型，你可以

预测对训练数据的反应使用resubPredict或者使用新的预测数据预测．您还可以计算预测间隔。
使用。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对象的使用fitrgp．

属性

全部展开

拟合

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

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”`	数据点近似子集。
`“老”`	回归量近似子集。
`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。它可能是下列情况之一。如果n是观测数，基函数加上项吗H＊β到模型，其中H基矩阵是和吗β是一个p基系数的-乘1向量。

明确的基础上	基础矩阵
`“没有”`	空矩阵。
`“不变”`	$H ＝ 1$ （n1的-乘1向量n为观察次数)
`“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。函数可以定义显式基函数BasisFunction中的名称-值对参数fitrgp．

数据类型:双

`σ`- - - - - -估计噪声标准差
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`- - - - - -分类预测指标
正整数向量

分类预测指标，指定为一个正整数向量。CategoricalPredictors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|双

`HyperparameterOptimizationResults`- - - - - -超参数交叉验证优化
`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对象或包含超参数和关联值的表。该属性是非空的“OptimizeHyperparameters”在创建模型时，名称-值对参数是非空的。的价值HyperparameterOptimizationResults取决于设置的优化器字段HyperparameterOptimizationOptions结构，当您创建模型时。

的价值`优化器`场	的价值`HyperparameterOptimizationResults`
`“bayesopt”`(默认)	对象的类`BayesianOptimization`
`“gridsearch”`或`“randomsearch”`	使用的超参数表，观测到的目标函数值(交叉验证损失)，以及观测值从最低(最好)到最高(最差)的排序

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

最大边际对数似然探地雷达模型，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为探地雷达模型边际对数似然的最大近似。

数据类型:双

`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

`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”`	平方指数核与一个独立的长度尺度每个预测器。
`“ardmatern32”`	母核与参数3/2和一个独立的长度尺度每个预测器。
`“ardmatern52”`	母核与参数5/2和一个单独的长度尺度每个预测器。
函数处理	一个函数句柄`fitrgp`可以这样调用: `Kmn = kfcn (Xm, Xnθ)` 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核乘积的矩阵下载188bet金宝搏`Kmn`（我，j)是之间的核积`Xm`（我:),`Xn`（j:)。 `θ`是r的无约束参数向量`kfcn`．

数据类型:字符|function_handle

`KernelInformation`- - - - - -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	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`- - - - - -用来做预测的方法
`“准确”`|`“bcd”`|`“sd”`|`“老”`|`膜集成电路的`

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”`	块坐标下降
`“sd”`	数据点近似子集
`“老”`	回归量近似子集
`膜集成电路的`	完全独立条件近似

`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

$K （ X_{n e w} ，一个）＊ α ．$

$K （ X_{n e w} ，一个）$ 是核乘积的矩阵吗下载188bet金宝搏 $X_{n e w}$ 和活动集合向量一个和α是一个权向量。

数据类型:双

`BCDInformation`- - - - - -的基于bcd的计算信息`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目标函数在收敛时的梯度。
`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BCD过程中每个点被选择进入一个块的次数。

α属性包含了α由BCD计算的向量。

如果PredictMethod不是“bcd”,然后BCDInformation是空的。

数据类型:结构体

`ResponseTransform`- - - - - -转化应用于预测响应
`“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。

激活集选择

`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

$K （ X_{n e w} ，一个）＊ α ．$

$K （ X_{n e w} ，一个）$ 是核乘积的矩阵吗下载188bet金宝搏 $X_{n e w}$ 和活动集合向量一个和α是一个权向量。

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稀疏探地雷达方法。当模型中有分类预测因子时，ActiveSetVectors包含对应预测器的虚拟变量。

数据类型:双

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

的历史交叉主动集选择和参数估计为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阵列:基函数系数、β，核函数参数θ，噪声标准偏差σ．
`ActiveSetIndices`	包含活动集索引的单元格数组。
`Loglikelihood`	包含最大对数似然数的向量。
`CriterionProfile`	当活动集从大小0增长到最终大小时，包含活动集选择标准值的单元格数组。

数据类型:结构体

`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”,或膜集成电路的)，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”`	微分entropy-based选择
`“可能性”`	回归器子集对数似然选择
`“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

稀疏方法活动集的大小(“sd”，“老”,或膜集成电路的)，存储为整数值。

数据类型:双

`IsActiveSetVector`- - - - - -选定活动集的指标
逻辑向量

用于从训练过的GPR模型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那么，是原始的训练数据吗ActiveSetVectors = 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

训练数据中观测值的个数，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观察的次数是多少d为训练数据中预测变量(列)的个数。如果GPR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

观测到的响应值用于训练探地雷达模型，存储为n1的向量,n为观察次数。

数据类型:双

`PredictorNames`- - - - - -预测的名字
字符向量的单元格数组

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

数据类型:细胞

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

扩展的GPR模型预测器名称，存储为字符向量的单元数组。每个名称(单元格)对应于ActiveSetVectors．

如果模型使用哑变量作为分类变量，那么ExpandedPredictorNames包括描述扩展变量的名称。否则,ExpandedPredictorNames是一样的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`- - - - - -的预测因素
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-by-d向量。如果培训数据没有标准化，PredictorLocation是空的。

如果PredictorLocation不是空的，那么呢预测方法通过减去的各自元素来使预测值居中PredictorLocation从每一列X．

如果有分类预测，那么PredictorLocation包含一个0，对应于这些预测器的每个哑变量。虚拟变量没有居中或缩放。

数据类型:双

`PredictorScale`- - - - - -预测指标的标准差
1 -d向量|`［］`

如果训练数据被标准化，存储为1-by-，则用于训练GPR模型的预测器的标准偏差d向量。如果培训数据没有标准化，PredictorScale是空的。

如果PredictorScale不是空的，是预测方法通过划分的每一列来衡量预测因子X由各自的元素PredictorScale(定心后使用PredictorLocation）．

如果有分类预测，那么PredictorLocation包括一个1对应于这些预测器的每个哑变量。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，那么RowsUsed是空的。

数据类型:逻辑

对象的功能

`紧凑的`	创建紧凑的高斯过程回归模型
`crossval`	交叉验证高斯过程回归模型
`石灰`	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
`plotPartialDependence`	创建部分依赖图(PDP)和个人条件期望图(ICE)
`postFitStatistics`	计算精确高斯过程回归模型的拟合后统计量
`预测`	预测高斯过程回归模型的响应
`resubLoss`	训练高斯过程回归模型的再替换损失
`resubPredict`	训练高斯过程回归模型的再代换预测
`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是一个包含内核参数及其名称的结构。因此，获取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。

使用注意事项及限制:

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

紧凑的|CompactRegressionGP|fitrgp

主题

介绍了R2015b

RegressionGP类

描述

建设

属性

FitMethod- - - - - -方法用于估计参数“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- - - - - -估计噪声标准差标量值

CategoricalPredictors- - - - - -分类预测指标正整数向量

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

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

ModelParameters- - - - - -训练参数GPParams对象

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

KernelInformation- - - - - -关于核函数参数的信息结构

PredictMethod- - - - - -用来做预测的方法“准确”|“bcd”|“sd”|“老”|膜集成电路的

α- - - - - -权重数值向量

BCDInformation- - - - - -的基于bcd的计算信息α结构|［］

ResponseTransform- - - - - -转化应用于预测响应“没有”(默认)

ActiveSetVectors- - - - - -训练数据子集矩阵

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

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

ActiveSetSize- - - - - -活动集的大小整型值

IsActiveSetVector- - - - - -选定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- - - - - -预测的名字字符向量的单元格数组

ExpandedPredictorNames- - - - - -扩展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- - - - - -的预测因素1 -d向量|［］

PredictorScale- - - - - -预测指标的标准差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:一步一步的指导与MATLAB

`FitMethod`- - - - - -方法用于估计参数
`“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`- - - - - -估计噪声标准差
标量值

`CategoricalPredictors`- - - - - -分类预测指标
正整数向量

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

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

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

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

`KernelInformation`- - - - - -关于核函数参数的信息
结构

`PredictMethod`- - - - - -用来做预测的方法
`“准确”`|`“bcd”`|`“sd”`|`“老”`|`膜集成电路的`

`α`- - - - - -权重
数值向量

`BCDInformation`- - - - - -的基于bcd的计算信息`α`
结构|`［］`

`ResponseTransform`- - - - - -转化应用于预测响应
`“没有”`(默认)

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

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

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

`ActiveSetSize`- - - - - -活动集的大小
整型值

`IsActiveSetVector`- - - - - -选定活动集的指标
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`- - - - - -预测的名字
字符向量的单元格数组

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

`ResponseName`- - - - - -响应变量的名称
特征向量

`PredictorLocation`- - - - - -的预测因素
1 -d向量|`［］`

`PredictorScale`- - - - - -预测指标的标准差
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。