Подмножество приближения данных для моделей GPR

Обучение модель GPR с точным методом (когда FitMethod является 'Exact') требует инверсии n-by-n матрица. Поэтому вычислительная сложность является O (k *n^3), где k является количеством функциональных оценок, требуемых для оценки β, θ, и σ2, и n является количеством наблюдений. Для большого n оценка параметров или вычислительных прогнозов может быть очень дорогой.

Один простой способ решить вычислительную проблему сложности с большими наборами данных состоит в том, чтобы выбрать m <наблюдения n из n и затем применить точную модель GPR к этим, m указывает на оценку β, θ, и σ2 при игнорировании другого (nm) точки. Это меньшее подмножество известно как активный набор. И этот метод приближения называется Подмножеством Данных (SD) метод.

Вычислительная сложность при использовании метода SD является O (k m ^3), где k является количеством функциональных оценок, и m является активным размером набора. Требования устройства хранения данных являются O (m ^2) только начиная с части полной матрицы ядра K(X,X|θ) потребности храниться в памяти.

Можно задать метод SD для оценки параметра при помощи аргумента пары "имя-значение" 'FitMethod','sd' в вызове fitrgp. Чтобы задать метод SD для прогноза, используйте аргумент пары "имя-значение" 'PredictMethod','sd'.

Для оценки параметров с помощью точной модели GPR смотрите, что оценка параметра использует точный метод GPR. Для того, чтобы сделать прогнозы с помощью точной модели GPR, см., что прогноз использует точный метод GPR.

Смотрите также

|

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте