RegressionGP
高斯过程回归模型
描述
RegressionGP
是一个高斯过程回归(GPR)模型。你可以训练一个探地雷达模型,使用fitrgp
。使用训练模型,您可以
预测反应训练数据使用
resubPredict
或新的预测数据使用预测
。你也可以计算出预测区间。计算训练数据的回归损失
resubLoss
或新数据使用损失
。
创建
创建一个RegressionGP
对象的使用fitrgp
。
属性
拟合
FitMethod
- - - - - -方法用来估计参数
“没有”
|“准确”
|“sd”
|“老”
|膜集成电路的
方法用来估计基函数系数,β;噪声标准差σ;内核参数θ,探地雷达的模型中,存储为一个特征向量。它可以是下列之一。
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” |
确切的高斯过程回归。 |
“sd” |
子集的数据点近似。 |
“老” |
解释变量的子集近似。 |
膜集成电路的 |
完全独立的条件近似。 |
BasisFunction
- - - - - -显式基函数
“没有”
|“不变”
|“线性”
|“pureQuadratic”
|函数处理
显式基函数用于探地雷达模型、存储为一个特征向量或一个函数处理。它可以是下列之一。如果n观测的数量,基函数添加这个词吗H*β模型,H基础矩阵和吗β是一个p1系数向量的基础。
明确的基础上 | 基础矩阵 |
---|---|
“没有” |
空矩阵。 |
“不变” |
(n1的向量1 s,n是观测的数量) |
“线性” |
|
“pureQuadratic” |
在哪里
|
函数处理 | 函数处理,
在哪里 |
数据类型:字符
|function_handle
β
- - - - - -估计系数
向量
估计系数的显式的基函数,存储为一个向量。您可以定义显式基函数使用BasisFunction
名称-值对的论点fitrgp
。
数据类型:双
σ
- - - - - -估计噪声标准差
标量值
估计噪声标准差的探地雷达模型、存储为一个标量值。
数据类型:双
CategoricalPredictors
- - - - - -指数的分类预测
向量的正整数|[]
分类预测指标,指定为一个向量的正整数。CategoricalPredictors
包含索引值表明相应的预测分类。索引值介于1和p
,在那里p
预测的数量被用来训练模型。如果所有的预测都直言,那么这个属性是空的([]
)。
数据类型:单
|双
HyperparameterOptimizationResults
- - - - - -交叉验证优化hyperparameters
BayesianOptimization
对象|表
这个属性是只读的。
交叉验证优化hyperparameters,指定为一个BayesianOptimization
对象或一个表hyperparameters和相关联的值。这个属性是否非空的“OptimizeHyperparameters”
名称-值对参数非空的当你创建模型。的价值HyperparameterOptimizationResults
取决于的设置优化器
字段HyperparameterOptimizationOptions
当您创建结构模型。
的价值优化器 场 |
的价值HyperparameterOptimizationResults |
---|---|
“bayesopt” (默认) |
对象的类BayesianOptimization |
“gridsearch” 或“randomsearch” |
hyperparameters表使用,观察目标函数值(交叉验证损失)和从最低(最好的)最高等级的观察(坏的) |
LogLikelihood
- - - - - -可能性最大化边际日志
标量值|[]
最大化边际日志GPR模型的可能性,如果存储为一个标量值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
是最大化近似的边际日志GPR模型的可能性。
数据类型:双
ModelParameters
- - - - - -参数用于培训
GPParams
对象
参数用于训练GPR模型,存储为一个GPParams
对象。
核函数
KernelFunction
- - - - - -形式的协方差函数
“squaredExponential”
|“matern32”
|“matern52”
|“ardsquaredexponential”
|“ardmatern32”
|“ardmatern52”
|函数处理
探地雷达中使用的协方差函数模型的形式,存储为一个特征向量包含内置的协方差函数的名称或一个函数处理。它可以是下列之一。
函数 | 描述 |
---|---|
“squaredexponential” |
平方指数内核。 |
“matern32” |
3/2 Matern内核与参数。 |
“matern52” |
5/2 Matern内核与参数。 |
“ardsquaredexponential” |
平方指数每预测内核与一个单独的长度尺度。 |
“ardmatern32” |
Matern内核参数(3/2)和一个单独的每个预测长度尺度。 |
“ardmatern52” |
Matern内核参数5/2和一个单独的每个预测长度尺度。 |
函数处理 | 一个函数处理fitrgp 可以调用: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矩阵的内核等产品下载188bet金宝搏Kmn (我,j)是内核之间的产品Xm (我:),Xn (j:)。θ 是r1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
核函数的参数信息用于探地雷达模型,与以下字段存储为一个结构。
字段名 | 描述 |
---|---|
的名字 |
核函数的名称 |
KernelParameters |
向量的估计内核参数 |
KernelParameterNames |
名称与元素有关KernelParameters 。 |
数据类型:结构体
预测
PredictMethod
- - - - - -方法进行预测
“准确”
|“bcd”
|“sd”
|“老”
|膜集成电路的
方法,预测
使用从探地雷达模型进行预测,存储为一个特征向量。它可以是下列之一。
PredictMethod |
描述 |
---|---|
“准确” |
确切的高斯过程回归 |
“bcd” |
块坐标下降 |
“sd” |
子集的数据点近似 |
“老” |
解释变量的子集近似 |
膜集成电路的 |
完全独立的条件近似 |
α
- - - - - -权重
数值向量
重量用来从训练有素的探地雷达模型作出预测,存储为一个数值向量。预测
对一个新的预测矩阵计算预测Xnew
通过使用该产品
是内核的矩阵之间的产品吗下载188bet金宝搏 和有效集向量一个和α是一个向量的权重。
数据类型:双
BCDInformation
- - - - - -BCD-based信息计算的α
结构|[]
信息块坐标下降(BCD)的计算α
当PredictMethod
是“bcd”
包含以下字段,存储结构。
字段名 | 描述 |
---|---|
梯度 |
n1包含BCD目标函数的梯度向量收敛。 |
客观的 |
标量包含BCD目标函数收敛。 |
SelectionCounts |
n1整数向量表示的次数在BCD每个点被选成块。 |
α
属性包含了α
从BCD向量计算。
如果PredictMethod
不是“bcd”
,然后BCDInformation
是空的。
数据类型:结构体
ResponseTransform
- - - - - -转换应用到预测的反应
“没有”
(默认)
转换应用到预测响应,存储为一个特征向量描述如何响应值预测的模型转换。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
- - - - - -训练数据的子集
矩阵
训练数据的子集用于从探地雷达模型作出预测,存储为一个矩阵。
预测
对一个新的预测矩阵计算预测Xnew
通过使用该产品
是内核的矩阵之间的产品吗下载188bet金宝搏 和有效集向量一个和α是一个向量的权重。
ActiveSetVectors
等于训练数据X
确切的探地雷达配件和训练数据的一个子集X
对于稀疏的探地雷达方法。当有分类预测模型中,ActiveSetVectors
包含相应的预测的虚拟变量。
数据类型:双
ActiveSetHistory
- - - - - -有效集的历史选择和参数估计
结构
的历史交叉激活集选择和参数估计为FitMethod
等于“sd”
,“老”
,或膜集成电路的
与以下字段存储为一个结构。
字段名 | 描述 |
---|---|
ParameterVector |
单元阵列包含参数向量:基函数的系数,β核函数参数θ和噪声标准差σ。 |
ActiveSetIndices |
单元阵列包含活跃指数。 |
Loglikelihood |
向量包含日志可能最大化。 |
CriterionProfile |
单元阵列包含活动设置选择准则值随着有效集的发展从0到它的最终大小。 |
数据类型:结构体
ActiveSetMethod
- - - - - -方法选择激活集
“sgma”
|“熵”
|“可能性”
|“随机”
方法选择稀疏的有效集方法(“sd”
,“老”
,或膜集成电路的
),存储为一个特征向量。它可以是下列之一。
ActiveSetMethod |
描述 |
---|---|
“sgma” |
稀疏贪婪矩阵近似 |
“熵” |
微分entropy-based选择 |
“可能性” |
解释变量的子集日志基于可能性的选择 |
“随机” |
随机选择 |
选择的有效集是用于参数估计或预测,取决于的选择FitMethod
和PredictMethod
在fitrgp
。
ActiveSetSize
- - - - - -有效集的大小
整型值
规模有效集的稀疏方法(“sd”
,“老”
,或膜集成电路的
),存储为一个整数值。
数据类型:双
IsActiveSetVector
- - - - - -指标选择的活动集
逻辑向量
指标选择激活集让训练有素的探地雷达的预测模型中,存储为一个逻辑向量。这些指标标记的训练数据的子集fitrgp
选择激活集。例如,如果X
最初的训练数据,那么ActiveSetVectors = X (IsActiveSetVector:)
。
数据类型:逻辑
训练数据
NumObservations
- - - - - -训练数据的观测
标量值
培训的观察数据,存储为一个标量值。
数据类型:双
X
- - - - - -训练数据
n——- - - - - -d表|n——- - - - - -d矩阵
训练数据,存储为一个n——- - - - - -d表或矩阵,n是观察和的数量吗d是预测变量(列)的数量在训练数据。如果探地雷达模型训练表,X
是一张桌子。否则,X
是一个矩阵。
数据类型:双
|表
Y
- - - - - -观察到的响应值
n1的向量
观察到的响应值用于火车GPR模型,存储为一个n1的向量,n是观测的数量。
数据类型:双
PredictorNames
- - - - - -预测的名字
单元阵列的特征向量
模型预测用于探地雷达的名字,存储单元阵列的特征向量。每个名称对应于一个列(细胞)X
。
数据类型:细胞
ExpandedPredictorNames
- - - - - -扩大了预测的名字
单元阵列的特征向量
扩大了探地雷达模型预测的名字,存储单元阵列的特征向量。每个名称对应于一个列(细胞)ActiveSetVectors
。
如果模型为分类变量,使用虚拟变量ExpandedPredictorNames
包括名称,描述变量扩展。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
响应变量的名称在探地雷达模型中,存储为一个特征向量。
数据类型:字符
PredictorLocation
- - - - - -的预测因素
1 -d向量|[]
预测的方法用于训练GPR模型如果训练数据标准化,存储为1×-d向量。如果训练数据不是标准化的,PredictorLocation
是空的。
如果PredictorLocation
不是空的,然后呢预测
方法中心预测减去相应的元素的值PredictorLocation
每一列的X
。
如果有明确的预测PredictorLocation
包含一个0为每一个哑变量对应于这些预测。虚拟变量不集中或缩放。
数据类型:双
PredictorScale
- - - - - -标准差的预测
1 -d向量|[]
标准差的探地雷达模型用于培训,如果培训数据标准化,存储为1×-d向量。如果训练数据不是标准化的,PredictorScale
是空的。
如果PredictorScale
不是空的,预测
尺度划分每一列的预测方法X
各自的元素PredictorScale
(定心后使用PredictorLocation
)。
如果有明确的预测PredictorLocation
包括1每个哑变量对应的预测因子。虚拟变量不集中或缩放。
数据类型:双
RowsUsed
- - - - - -行指标用于培训
逻辑向量|[]
指标排在训练中使用探地雷达模型、存储为一个逻辑向量。如果用于训练模型,所有行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 |
旨在机器学习模型 |
石灰 |
本地可model-agnostic解释(石灰) |
损失 |
回归误差为高斯过程回归模型 |
partialDependence |
计算部分依赖 |
plotPartialDependence |
创建部分依赖图(PDP)和个人条件期望(ICE)情节 |
postFitStatistics |
计算post-fit统计数据的高斯过程回归模型 |
预测 |
高斯过程回归模型的预测反应 |
resubLoss |
Resubstitution回归损失 |
resubPredict |
使用训练有素的回归模型预测反应的训练数据 |
沙普利 |
沙普利值 |
例子
火车探地雷达和情节的预测模型
生成样本数据。
rng (0,“旋风”);%的再现性n = 1000;x = linspace (-10 10 n) ';y = 1 + x * 5依照+ sin (x)。/ x + 0.2 * randn (n, 1);
适合使用线性基函数和精确的探地雷达模型拟合的方法来估计参数。也使用准确的预测方法。
gprMdl = fitrgp (x, y,“基础”,“线性”,…“FitMethod”,“准确”,“PredictMethod”,“准确”);
预测响应对应的行x
(resubstitution预测)使用训练模型。
ypred = resubPredict (gprMdl);
真实的反应与预测值的阴谋。
情节(x, y,“b”。);持有在;情节(x, ypred,“r”,“线宽”,1.5);包含(“x”);ylabel (“y”);传奇(“数据”,“探地雷达预测”);持有从
更多关于
主动选择和参数估计
解释变量的数据的子集,子集,或完全独立条件近似拟合方法(FitMethod
等于“sd”
,“老”
,或膜集成电路的
),如果你不提供活动组(或诱导输入集),fitrgp
选择活动组和计算参数估计在一系列的迭代。
在第一次迭代中,软件使用向量的初始参数值η0= (β0,σ0,θ0选择一个活跃的设置一个1。它最大化GPR边际使用η日志或其近似的可能性0和作为初始值1计算新的参数估计η1。接下来,它计算的新日志的可能性l1使用η1和一个1。
在第二个迭代,选择活动设置的软件2使用参数值η1。然后,使用η1和作为初始值2,它最大化边际日志或其近似的可能性和探地雷达估计新的参数值η2。然后使用η2和一个2,计算新对数似然值l2。
下表总结了迭代和什么是在每次迭代计算。
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 | η3 | l3 |
… | … | … | … |
软件迭代同样指定数量的重复。您可以指定数量的复制活动组选择使用NumActiveSetRepeats
名称-值对的论点。
提示
可以使用点符号访问这个类的属性。例如,
KernelInformation
是一个结构的内核参数和他们的名字。因此,访问的核函数参数训练模型gprMdl
,使用gprMdl.KernelInformation.KernelParameters
。
版本历史
介绍了R2015b
另请参阅
MATLAB命令
你点击一个链接对应MATLAB命令:
运行该命令通过输入MATLAB命令窗口。Web浏览器不支持MATLAB命令。金宝app
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。