Класс: RegressionGP
Прогноз перезамены из обученной Гауссовой модели регрессии процесса
ypred = resubPredict(gprMdl)
[ypred,ysd]
= resubPredict(gprMdl)
[ypred,ysd,yint]
= predict(gprMdl)
[ypred,ysd,yint]
= predict(gprMdl,Name,Value)
ypred = resubPredict(gprMdl)ypred, для обученной модели Gaussian process regression (GPR), gprMdl.
[ также возвращает предполагаемые стандартные отклонения предсказанных ответов, соответствующих строкам ypred,ysd]
= resubPredict(gprMdl)gprMdl.X.
[ также возвращает 95% интервалов прогноза, ypred,ysd,yint]
= predict(gprMdl)yint, для истинных ответов, соответствующих каждой строке данных тренировки, gprMdl.X.
[ возвращает интервалы прогноза с дополнительными опциями, заданными одним или несколькими аргументами пары ypred,ysd,yint]
= predict(gprMdl,Name,Value)Name,Value. Например, можно задать доверительный уровень интервала прогноза.
Этот пример использует набор данных "Корпуса" [1] из архива машинного обучения UCI [2] описанный в http://archive.ics.uci.edu/ml/datasets/Housing. Загрузите данные и сохраните их в вашем текущем каталоге как файл данных, названный housing.data.
Набор данных имеет 506 наблюдений. Первые 13 столбцов содержат значения предиктора, и последний столбец содержит значения ответа. Цель состоит в том, чтобы предсказать среднее значение занятых владельцами домов в области пригорода Бостона как функция 13 предикторов.
Загрузите данные и задайте матрица предиктора и вектор отклика.
load('housing.data');
X = housing(:,1:13);
y = housing(:,end);
Обучите модель GPR с помощью подмножества регрессоров ('sr') метод приближения с Matern 3/2 ('Matern32') функция ядра. Предскажите использование полностью независимого условного выражения ('fic') метод.
gprMdl = fitrgp(X,y,'KernelFunction','Matern32',... 'FitMethod','sr','PredictMethod','fic');
Предскажите ответы с помощью обученной модели GPR. Вычислите 99% интервалов прогноза.
[ypred,~,yint] = resubPredict(gprMdl,'Alpha',0.01);
Постройте фактические значения ответа наряду с прогнозами из модели GPR.
figure; h1 = area([yint(:,1) yint(:,2)-yint(:,1)],-8,... 'FaceColor',[0.85,0.85,0.85],'EdgeColor',[0.85,0.85,0.85]); hold on; h1(1).FaceColor = 'none'; % remove color from bottom area h1(1).EdgeColor = 'none'; h2 = plot(y,'r'); % Plot original response values h3 = plot(ypred,'b--'); % Plot predicted response values legend([h2 h3 h1(2)],'Actual response','Predicted response',... 'Prediction intervals','Location','South'); axis([0 510 -7 65]); hold off
Серая область показывает 99% интервалов прогноза.
Можно выбрать метод прогноза в то время как обучение модель GPR с помощью аргумента пары "имя-значение" PredictMethod в fitrgp. Методом прогноза по умолчанию является 'exact' для n ≤ 10000, где n является количеством наблюдений в данных тренировки и 'bcd' (спуск координаты блока), в противном случае.
Вычисление стандартных отклонений, ysd, и интервалов прогноза, yint, не поддержано, когда PredictMethod является 'bcd'.
Чтобы вычислить предсказанные ответы для новых данных, используйте predict.
[1] Харрисон, D. и D.L., Рубинфельд. "Гедонистические цены и спрос на чистый воздух". J. Окружить. Экономика & управление. Vol.5, 1978, стр 81-102.
[2] Личмен, M. Репозиторий машинного обучения UCI, Ирвин, CA: Калифорнийский университет, школа информатики и вычислительной техники, 2013. http://archive.ics.uci.edu/ml.
RegressionGP | fitrgp | predict | resubLoss