CompactRegressionGP

パッケージ:classreg.learning.regr

コンパクトなガウス過程回帰モデルクラス

説明

CompactRegressionGPは,コンパクトなガウス過程回帰(GPR)モデルです。コンパクトモデルにはGPRモデルの学習に使用したデータが含まれていないため、完全なモデルよりもメモリ消費量が少なくなります。

コンパクトモデルには学習データが含まれていないので、コンパクトモデルを使用しても交差検証など一部のタスクは実行できません。しかし、コンパクトモデルは、新しいデータの予測や回帰損失の計算には使用できます (predictとlossを使用)。

構築

compactMdl = compact(gprMdl)は、完全な学習済み GPR モデルgprMdlからコンパクトな GPR モデルcompactMdlを返します。詳細については、compactを参照してください。

入力引数

すべて展開する

`gprMdl`—完全な学習済みガウス過程回帰モデル
`RegressionGP`モデル

完全な学習済みガウス過程回帰モデル。fitrgpによって返されるRegressionGPモデルとして指定します。

プロパティ

すべて展開する

近似

`FitMethod`—パラメーター推定に使用された方式
`'none'`|`'exact'`|`'sd'`|`'sr'`|`'fic'`

GPR モデルの基底関数係数 β、ノイズ標準偏差 σ およびカーネルパラメーター θ の推定に使用された方式。文字ベクトルとして格納されます。次のいずれかになります。

近似方式	説明
`'none'`	推定を行いません。`fitrgp`はパラメーター値として初期パラメーター値を使用します。
`'exact'`	厳密なガウス過程回帰。
`'sd'`	データ点サブセット近似。
`'sr'`	回帰変数サブセット近似。
`'fic'`	完全独立条件近似。

`BasisFunction`—明示的な基底関数
`'none'`|`'constant'`|`'linear'`|`'pureQuadratic'`|関数ハンドル

GPR モデルで使用される明示的な基底関数。文字ベクトルまたは関数ハンドルとして格納されます。次のいずれかになります。観測値の数が n の場合、基底関数はH*βという項をモデルに追加します。ここで、Hは基底行列、βは p 行 1 列の基底係数のベクトルです。

明示的な基底関数	基底行列
`'none'`	空の行列。
`'constant'`	$H = 1$ (1 から成る n 行 1 列のベクトル。n は観測値の個数)
`'linear'`	$H = [1, X]$
`'pureQuadratic'`	ここで $H = [1, X, X_{2}],$ $X_{2} = [\begin{matrix} x_{11}^{2} & x_{12}^{2} & \dots & x_{1 d}^{2} \\ x_{21}^{2} & x_{22}^{2} & \dots & x_{2 d}^{2} \\ ⋮ & ⋮ & ⋮ & ⋮ \\ x_{n 1}^{2} & x_{n 2}^{2} & \dots & x_{n d}^{2} \end{matrix}] .$
関数ハンドル	`fitrgp`が次のように呼び出す関数のハンドル`hfcn`。 $H = h f c n (X),$ ここで、`X`は n 行 d 列の予測子の行列、H は n 行 p 列の基底関数の行列です。

データ型:char|function_handle

`CategoricalPredictors`—カテゴリカル予測子のインデックス
正の整数のベクトル

カテゴリカル予測子のインデックス。正の整数のベクトルを指定します。CategoricalPredictorsには、カテゴリカル予測子が含まれている予測子データの列に対応するインデックス値を格納します。どの予測子もカテゴリカルではない場合、このプロパティは空 ([]) になります。

データ型:single|double

`Beta`—推定された係数
ベクトル

明示的な基底関数について推定した係数。ベクトルとして格納されます。明示的な基底関数は、fitrgpで名前と値のペアの引数BasisFunctionを使用して定義できます。

データ型:double

`Sigma`—推定されたノイズ標準偏差
スカラー値

GPR モデルの推定ノイズ標準偏差。スカラー値として格納されます。

データ型:double

`ModelParameters`—学習に使用されたパラメーター
`GPParams`オブジェクト

GPR モデルの学習に使用されたパラメーター。GPParamsオブジェクトとして格納されます。

カーネル関数

`KernelFunction`—共分散関数の形式
`'squaredExponential'`|`'matern32'`|`'matern52'`|`'ardsquaredexponential'`|`'ardmatern32'`|`'ardmatern52'`|関数ハンドル

GPR モデルで使用した共分散関数の形式。組み込み共分散関数の名前が含まれる文字ベクトルまたは関数ハンドルとして格納されます。次のいずれかになります。

関数	説明
`'squaredexponential'`	二乗指数カーネル。
`'matern32'`	パラメーターが 3/2 の Matern カーネル。
`'matern52'`	パラメーターが 5/2 の Matern カーネル。
`'ardsquaredexponential'`	予測子ごとに特性長スケールが異なる二乗指数カーネル。
`'ardmatern32'`	パラメーターが 3/2 で予測子ごとに特性長スケールが異なる Matern カーネル。
`'ardmatern52'`	パラメーターが 5/2 で予測子ごとに特性長スケールが異なる Matern カーネル。
関数ハンドル	`fitrgp`で次のように呼び出すことができる関数ハンドル。 `Kmn = kfcn(Xm,Xn,theta)` ここで、`Xm`は m 行 d 列の行列、`Xn`は n 行 d 列の行列、`Kmn`は`Kmn`(i,j) が`Xm`(i,:) と`Xn`(j,:) の間のカーネル積である m 行 n 列のカーネル積の行列です。 `theta`は`kfcn`についての制約がない r 行 1 列のパラメーターベクトルです。

データ型:char|function_handle

`KernelInformation`—カーネル関数のパラメーターに関する情報
構造体

GPR モデルで使用されたカーネル関数のパラメーターに関する情報。次のフィールドをもつ構造体として格納されます。

フィールド名	説明
`Name`	カーネル関数の名前
`KernelParameters`	推定されるカーネルパラメーターのベクトル
`KernelParameterNames`	`KernelParameters`の要素に関連付けられている名前。

データ型:struct

予測

`PredictMethod`—予測を行うための方式
`'exact'`|`'bcd'`|`'sd'`|`'sr'`|`'fic'`

predictが GPR モデルから予測を行うために使用した方式。文字ベクトルとして格納されます。次のいずれかになります。

`PredictMethod`	説明
`'exact'`	厳密なガウス過程回帰
`'bcd'`	ブロック座標降下
`'sd'`	データ点サブセット近似
`'sr'`	回帰変数サブセット近似
`'fic'`	完全独立条件近似

`Alpha`—重み
数値ベクトル

学習済みの GPR モデルから予測を行うために使用した重み。数値ベクトルとして格納されます。predictは、次の積を使用して新しい予測子行列Xnewについて予測を計算します。

$K (X_{n e w}, A) * α .$

$K (X_{n e w}, A)$ は $X_{n e w}$ とアクティブセットベクトルAの間のカーネル積の行列、α は重みのベクトルです。

データ型:double

`ResponseTransform`—予測応答に適用する変換
`'none'`(既定値)

予測された応答に適用する変換。モデルによって予測された応答値の変換方法を表す文字ベクトルとして格納されます。RegressionGPでは、ResponseTransformは既定では'none'です。RegressionGPは予測を行うときにResponseTransformを使用しません。

アクティブセットの選択

`ActiveSetVectors`—学習データのサブセット
行列

GPR モデルから予測を行うために使用した学習データのサブセット。行列として格納されます。

predictは、次の積を使用して新しい予測子行列Xnewについて予測を計算します。

$K (X_{n e w}, A) * α .$

$K (X_{n e w}, A)$ は $X_{n e w}$ とアクティブセットベクトルAの間のカーネル積の行列、α は重みのベクトルです。

ActiveSetVectorsは、厳密な GPR 近似の場合の学習データXおよびスパースな GPR 法の場合の学習データXのサブセットと等しくなります。カテゴリカル予測子がモデルに含まれている場合、対応する予測子についてのダミー変数がActiveSetVectorsに含まれます。

データ型:double

`ActiveSetMethod`—アクティブセットの選択に使用された方式
`'sgma'`|`'entropy'`|`'likelihood'`|`'random'`

スパースな方式 ('sd'、'sr'または'fic') の場合にアクティブセットの選択に使用された方式。文字ベクトルとして格納されます。次のいずれかになります。

`ActiveSetMethod`	説明
`'sgma'`	スパースグリーディ行列近似
`'entropy'`	微分エントロピーに基づく選択
`'likelihood'`	回帰変数サブセットの対数尤度に基づく選択
`'random'`	無作為選択

選択したアクティブセットは、fitrgpにおけるFitMethodとPredictMethodの選択に応じて、パラメーターの推定または予測で使用されます。

`ActiveSetSize`—アクティブセットのサイズ
整数値

スパースな方式 ('sd'、'sr'または'fic') の場合のアクティブセットのサイズ。整数値として格納されます。

データ型:double

オブジェクト関数

`lime`	Local Interpretable Model-agnostic Explanations (LIME)
`loss`	ガウス過程回帰モデルの回帰誤差
`partialDependence`	部分従属の計算
`plotPartialDependence`	部分依存プロット (PDP) および個別条件付き期待値 (ICE) プロットの作成
`predict`	ガウス過程回帰モデルの予測応答
`shapley`	シャープレイ値

コピーのセマンティクス

値。値のクラスがコピー操作に与える影響については、オブジェクトのコピーを参照してください。

拡張機能

C/C++ コード生成
MATLAB® Coder™ を使用して C および C++ コードを生成します。

使用上の注意事項および制限事項:

関数predictはコード生成をサポートします。

詳細は、コード生成の紹介を参照してください。

参考

fitrgp|compact|RegressionGP

トピック

R2015b で導入

CompactRegressionGP

説明

構築

入力引数

`gprMdl`—完全な学習済みガウス過程回帰モデル
`RegressionGP`モデル

プロパティ

`FitMethod`—パラメーター推定に使用された方式
`'none'`|`'exact'`|`'sd'`|`'sr'`|`'fic'`

`BasisFunction`—明示的な基底関数
`'none'`|`'constant'`|`'linear'`|`'pureQuadratic'`|関数ハンドル