RegressionGP类

超类:CompactRegressionGP

高斯过程回归模型类

展开全部页面

描述

RegressionGP是高斯过程回归(GPR)模型。你可以训练一个GPR模型，使用fitrgp．使用经过训练的模型，您可以

预测响应训练数据使用resubPredict或者使用新的预测数据预测．您还可以计算预测区间。
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fitrgp．

属性

全部展开

拟合

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

估计基函数系数的方法，β;噪声标准差，σ;和GPR模型的核参数θ，存储为字符向量。它可以是下列情况之一。

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”`	数据点近似的子集。
`“老”`	回归量近似的子集。
`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。它可以是下列情况之一。如果n是观察的个数，基函数加了项吗H*β到模型，其中H基矩阵是和吗β是一个p基系数的-1向量。

明确的基础上	基础矩阵
`“没有”`	空矩阵。
`“不变”`	$H ＝ 1$ （n1乘1的向量，其中n是观测值的个数)
`“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

估计系数的显式基函数，存储为一个向量。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

估计GPR模型的噪声标准差，以标量值存储。

数据类型:双

`CategoricalPredictors`- - - - - -分类预测因子的索引
正整数向量|`［］`

分类预测指标，指定为正整数向量。CategoricalPredictors包含指示相应预测器是分类的索引值。索引值在1和之间p,在那里p是用于训练模型的预测器的数量。如果没有一个预测符是分类的，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相关值的表。，则此属性是非空的“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在HyperparameterOptimizationOptions结构。

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

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

GPR模型的最大边际对数似然，存储为标量值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是探地雷达模型边际对数似然的最大近似值。

数据类型:双

`ModelParameters`- - - - - -用于训练的参数
`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。它可以是下列情况之一。

函数	描述
`“squaredexponential”`	平方指数核。
`“matern32”`	参数为3/2的母核。
`“matern52”`	参数为5/2的母核。
`“ardsquaredexponential”`	平方指数核与单独的长度尺度每个预测器。
`“ardmatern32”`	带有参数3/2和每个预测器单独长度刻度的母核。
`“ardmatern52”`	带有参数5/2和每个预测器单独长度刻度的母核。
函数处理	一个函数句柄`fitrgp`可以这样调用: `Kmn = kfcn(Xm,Xn， θ)` 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这样的核积矩阵下载188bet金宝搏`Kmn`（我，j)是两者之间的核积`Xm`（我:),`Xn`（j:)。 `θ`是r的-by-1无约束参数向量`kfcn`．

数据类型:字符|function_handle

`KernelInformation`- - - - - -核函数的参数信息
结构

关于GPR模型中使用的核函数参数的信息，存储为具有以下字段的结构。

字段名	描述
`名字`	内核函数的名称
`KernelParameters`	估计核参数的向量
`KernelParameterNames`	的元素相关联的名称`KernelParameters`．

数据类型:结构体

预测

`PredictMethod`- - - - - -用于预测的方法
`“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，该模型存储为字符向量。它可以是下列情况之一。

`PredictMethod`	描述
`“准确”`	精确高斯过程回归
`“bcd”`	块坐标下降
`“sd”`	数据点近似的子集
`“老”`	回归近似的子集
`膜集成电路的`	完全独立条件近似

`α`- - - - - -权重
数值向量

用于从训练好的GPR模型中进行预测的权重，存储为数字向量。预测计算一个新的预测矩阵的预测Xnew通过使用本产品

$K （ X_{n e w} ，一个） * α ．$

$K （ X_{n e w} ，一个）$ 核乘积的矩阵是下载188bet金宝搏 $X_{n e w}$ 活动集合向量一个和α是一个权重向量。

数据类型:双

`BCDInformation`- - - - - -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包含BCD目标函数在收敛处的梯度的- × 1向量。
`客观的`	收敛处包含BCD目标函数的标量。
`SelectionCounts`	n-乘1的整数向量，表示在BCD期间每个点被选择到块中的次数。

α属性包含α从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`- - - - - -应用于预测响应的转换
`“没有”`(默认)

应用于预测响应的转换，存储为描述如何转换模型预测的响应值的字符向量。在RegressionGP，ResponseTransform是“没有”默认情况下，和RegressionGP不使用ResponseTransform做预测的时候。

活动集选择

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

训练数据的子集，用于从GPR模型中进行预测，以矩阵的形式存储。

预测计算一个新的预测矩阵的预测Xnew通过使用本产品

$K （ X_{n e w} ，一个） * α ．$

$K （ X_{n e w} ，一个）$ 核乘积的矩阵是下载188bet金宝搏 $X_{n e w}$ 活动集合向量一个和α是一个权重向量。

ActiveSetVectors等于训练数据X精确的GPR拟合和训练数据的子集X为稀疏探地雷达方法。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`- - - - - -活动集选择和参数估计的历史
结构

的历史交错活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`	单元格数组包含参数向量:基函数系数;β、核函数参数θ、噪声标准差σ．
`ActiveSetIndices`	包含活动集索引的单元格数组。
`Loglikelihood`	包含最大对数似然的向量。
`CriterionProfile`	单元格数组，其中包含活动集从大小0增长到最终大小时的活动集选择标准值。

数据类型:结构体

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

用于为稀疏方法(“sd”，“老”,或膜集成电路的)，存储为字符向量。它可以是下列情况之一。

`ActiveSetMethod`	描述
`“sgma”`	稀疏贪婪矩阵逼近
`“熵”`	基于微分熵的选择
`“可能性”`	回归量的子集log基于似然的选择
`“随机”`	随机选择

所选择的活动集用于参数估计或预测，这取决于的选择FitMethod和PredictMethod在fitrgp．

`ActiveSetSize`- - - - - -活动集的大小
整型值

稀疏方法的活动集大小(“sd”，“老”,或膜集成电路的)，存储为整数值。

数据类型:双

`IsActiveSetVector`- - - - - -所选活动集的指标
逻辑向量

从训练好的GPR模型中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原始的训练数据，那么ActiveSetVectors = X(IsActiveSetVector，:)．

数据类型:逻辑

训练数据

`NumObservations`- - - - - -训练数据中的观测数
标量值

训练数据中观测值的个数，以标量值的形式存储。

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观察的次数是和吗d是训练数据中预测变量(列)的个数。如果GPR模型是在一个表上训练的，那么X是一张桌子。否则,X是一个矩阵。

数据类型:双|表格

`Y`- - - - - -观测响应值
n1的向量

用于训练GPR模型的观测响应值，存储为n- × 1向量，其中n是观测值的个数。

数据类型:双

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

GPR模型中使用的预测器的名称，存储为字符向量的单元数组。每个名称(单元格)对应于中的一列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

GPR模型的扩展预测器的名称，存储为字符向量的单元数组。每个名称(单元格)对应于中的一列ActiveSetVectors．

如果模型使用虚拟变量作为分类变量，则ExpandedPredictorNames包括描述展开变量的名称。否则,ExpandedPredictorNames和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`- - - - - -预测手段
1 -d向量|`［］`

如果训练数据是标准化的，以1-by-的形式存储，则用于训练GPR模型的预测因子的均值d向量。如果训练数据没有标准化，PredictorLocation是空的。

如果PredictorLocation不是空的，然后呢预测方法通过减去各自的元素来确定预测值的中心PredictorLocation从每一列X．

如果有分类预测，那么PredictorLocation包括对应于这些预测因子的每个虚拟变量的0。虚拟变量没有居中或缩放。

数据类型:双

`PredictorScale`- - - - - -预测因子的标准差
1 -d向量|`［］`

如果训练数据是标准化的，则用于训练GPR模型的预测器的标准差，存储为1 by-d向量。如果训练数据没有标准化，PredictorScale是空的。

如果PredictorScale不是空的，是预测方法通过除以的每一列来缩放预测因子X的各自元素PredictorScale(定心后使用)PredictorLocation）.

如果有分类预测，那么PredictorLocation包括对应于这些预测因子的每个虚拟变量的1。虚拟变量没有居中或缩放。

数据类型:双

`RowsUsed`- - - - - -训练中使用的行指标
逻辑向量|`［］`

用于训练GPR模型的行指标，存储为逻辑向量。如果所有行都用于训练模型，则RowsUsed是空的。

数据类型:逻辑

对象的功能

`紧凑的`	减少机器学习模型的大小
`crossval`	交叉验证机器学习模型
`石灰`	局部可解释模型不可知解释(LIME)
`损失`	高斯过程回归模型的回归误差
`partialDependence`	计算部分相关性
`plotPartialDependence`	创建部分依赖图(PDP)和个别条件期望图(ICE)
`postFitStatistics`	计算精确高斯过程回归模型的后拟合统计量
`预测`	预测高斯过程回归模型的响应
`resubLoss`	再取代回归损失
`resubPredict`	使用训练回归模型预测训练数据的响应
`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是保存内核参数及其名称的结构体。因此，访问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。

使用注意事项和限制:

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．

版本历史

在R2015b中引入

另请参阅

fitrgp|CompactRegressionGP|紧凑的

RegressionGP类

描述

建设

属性

FitMethod- - - - - -用于估计参数的方法“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- - - - - -分类预测因子的索引正整数向量|［］

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

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

ModelParameters- - - - - -用于训练的参数GPParams对象

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

KernelInformation- - - - - -核函数的参数信息结构

PredictMethod- - - - - -用于预测的方法“准确”|“bcd”|“sd”|“老”|膜集成电路的

α- - - - - -权重数值向量

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

ResponseTransform- - - - - -应用于预测响应的转换“没有”(默认)

ActiveSetVectors- - - - - -训练数据子集矩阵

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

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

ActiveSetSize- - - - - -活动集的大小整型值

IsActiveSetVector- - - - - -所选活动集的指标逻辑向量

NumObservations- - - - - -训练数据中的观测数标量值

X- - - - - -训练数据n——- - - - - -d表格|n——- - - - - -d矩阵

Y- - - - - -观测响应值n1的向量

PredictorNames- - - - - -预测器的名称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- - - - - -预测手段1 -d向量|［］

PredictorScale- - - - - -预测因子的标准差1 -d向量|［］

RowsUsed- - - - - -训练中使用的行指标逻辑向量|［］

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。

版本历史

另请参阅

主题

`FitMethod`- - - - - -用于估计参数的方法
`“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`- - - - - -分类预测因子的索引
正整数向量|`［］`

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

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

`ModelParameters`- - - - - -用于训练的参数
`GPParams`对象

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

`KernelInformation`- - - - - -核函数的参数信息
结构

`PredictMethod`- - - - - -用于预测的方法
`“准确”`|`“bcd”`|`“sd”`|`“老”`|`膜集成电路的`

`α`- - - - - -权重
数值向量

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

`ResponseTransform`- - - - - -应用于预测响应的转换
`“没有”`(默认)

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

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

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

`ActiveSetSize`- - - - - -活动集的大小
整型值

`IsActiveSetVector`- - - - - -所选活动集的指标
逻辑向量

`NumObservations`- - - - - -训练数据中的观测数
标量值

`X`- - - - - -训练数据
n——- - - - - -d表格|n——- - - - - -d矩阵

`Y`- - - - - -观测响应值
n1的向量

`PredictorNames`- - - - - -预测器的名称
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`- - - - - -预测手段
1 -d向量|`［］`

`PredictorScale`- - - - - -预测因子的标准差
1 -d向量|`［］`

`RowsUsed`- - - - - -训练中使用的行指标
逻辑向量|`［］`

C/ c++代码生成
使用MATLAB®Coder™生成C和c++代码。