预测

预测高斯核回归模型的响应

折叠所有页面

语法

X YFit =预测(Mdl)

描述

例子

YFit=预测(Mdl，X）返回矩阵或表中预测器数据的预测响应向量X，基于二元高斯核回归模型Mdl．

例子

全部折叠

预测测试集反应

打开生活的脚本

使用高斯核回归模型预测测试集的响应carbig数据集。

加载carbig数据集。

负载carbig

指定预测变量(X)和响应变量(Y)．

X =[重量、气缸、马力,Model_Year];Y = MPG;

删除行X和Y其中任意一个数组南值。删除行南值，然后传递数据fitrkernel可以加快训练，减少记忆的使用。

R = rmmissing([X Y]);X = R (:, 1:4);Y = R(:,结束);

保留10%的观察值作为坚持样本。从划分定义中提取训练和测试指标。

rng (10)%的再现性N =长度(Y);本量利= cvpartition (N,“坚持”, 0.1);idxTrn =培训(cvp);%训练集指标idxTest =测试(cvp);%测试集指标

标准化训练数据，训练回归核模型。

Xtrain = X (idxTrn:);Ytrain = Y (idxTrn);[Ztrain, tr_mu tr_sigma] = zscore (Xtrain);将培训数据标准化tr_sigma (tr_sigma = = 0) = 1;Mdl = fitrkernel (Ztrain Ytrain)

Mdl = RegressionKernel ResponseName: 'Y'学习者:'svm' NumExpansionDimensions: 128 KernelScale: 1 Lambda: 0.0028 BoxConstraint: 1 Epsilon: 0.8617属性，方法

Mdl是一个RegressionKernel模型。

使用训练数据列的相同平均值和标准偏差对测试数据进行标准化。预测测试集的响应。

Xtest = X (idxTest:);中兴通讯= (Xtest-tr_mu)。/ tr_sigma;将测试数据标准化欧美= Y (idxTest);YFit =预测(Mdl,中兴通讯);

创建一个包含前10个观察到的响应值和预测响应值的表。

表(欧美(1:10),YFit (1:10),“VariableNames”，．..｛“ObservedValue”，“PredictedValue”}）

ans =10×2表ObservedValue PredictedValue _____________ ______________ 18 17.616 14 25.799 24 24.141 25 25.018 14 13.637 14 14.557 18 18.584 27 26.096 21 25.031 13 13.324

使用均方误差损失函数估计测试集的回归损失。

L =损失(Mdl、中兴通讯、欧美)

L = 9.2664

输入参数

全部折叠

`Mdl`- - - - - -内核回归模型
`RegressionKernel`模型对象

核回归模型，指定为RegressionKernel模型对象。您可以创建RegressionKernel模型对象使用fitrkernel．

`X`- - - - - -用于产生响应的预测数据
数字矩阵|表格

用于生成响应的预测器数据，指定为数字矩阵或表。

每一行的X对应一个观察值，每一列对应一个变量。

对于数值矩阵:
- 列中的变量X必须和训练的预测变量有相同的顺序吗Mdl．
- 如果你训练Mdl使用表(例如，资源描述),资源描述包含所有的数值预测变量X可以是一个数值矩阵。处理数值预测资源描述作为分类训练，识别分类预测使用CategoricalPredictors的名称-值对参数fitrkernel．如果资源描述包含异构预测变量(例如，数字和分类数据类型)和X是一个数值矩阵，那么预测抛出一个错误。
一个表:
- 预测除了字符向量的单元金宝app格数组外，不支持多列变量或单元格数组。
- 如果你训练Mdl使用表(例如，资源描述)，然后所有预测变量X必须具有与那些训练过的相同的变量名和数据类型Mdl(存储在Mdl。PredictorNames)．但是，的列顺序X不需要对应的列顺序资源描述．同时,资源描述和X可以包含额外的变量(响应变量、观察权重等)，但是预测忽略了它们。
- 如果你训练Mdl使用一个数字矩阵，然后预测器命名Mdl。PredictorNames和相应的预测变量名X肯定是一样的。要在训练期间指定预测器名称，请参见PredictorNames的名称-值对参数fitrkernel．所有的预测变量X必须是数值向量。X可以包含额外的变量(响应变量、观察权重等)，但是预测忽略了它们。