高斯过程回归
高斯过程回归模型(kriging)
应用程序
| 回归的学习者 | 使用监督机器学习训练回归模型来预测数据 |
块
| RegressionGP预测 | 利用高斯过程(GP)回归模型预测响应 |
功能
对象
RegressionGP |
高斯过程回归模型类 |
CompactRegressionGP |
紧凑的高斯过程回归模型类 |
RegressionPartitionedGP |
交叉验证高斯过程回归(GPR)模型 |
主题
- 高斯过程回归模型
高斯过程回归(GPR)模型是一种非参数核概率模型。
- 核(协方差)函数选项
在高斯过程中，协方差函数表示具有相似预测值的点将具有相似响应值的期望。
- 精确探地雷达方法
学习精确探地雷达方法中的参数估计和预测。
- 探地雷达模型的子集数据逼近
在大数据集的情况下，子集数据逼近法可以大大缩短高斯过程回归模型的训练时间。
- 探地雷达模型回归量的子集逼近
回归量子集逼近法用近似代替精确的核函数。
- 探地雷达模型的完全独立条件逼近
完全独立条件(FIC)近似是一种系统地逼近真实GPR核函数的方法，这种方法避免了SR近似的预测方差问题，同时仍然保持有效的高斯过程。
- GPR模型的块坐标下降逼近
块坐标下降近似是另一种用于减少大数据集计算时间的近似方法。
- 使用RegressionGP预测块预测响应
训练一个高斯过程(GP)回归模型，然后使用RegressionGP预测块用于响应预测。
特色的例子
您也可以从以下列表中选择一个网站: