Суперклассы: CompactRegressionGP
Гауссов класс модели регрессии процесса
RegressionGP модель Gaussian process regression (GPR). Можно обучить модель GPR, с помощью fitrgp. Используя обученную модель, вы можете
Предскажите ответы для обучающих данных с помощью resubPredict или новые данные о предикторе с помощью predict. Можно также вычислить интервалы прогноза.
Вычислите потерю регрессии для обучающих данных с помощью resubLoss или новые данные с помощью loss.
Создайте RegressionGP объект при помощи fitrgp.
FitMethod — Метод раньше оценивал параметры'none' | 'exact' | 'sd' | 'sr' | 'fic'Метод раньше оценивал коэффициенты основной функции, β; шумовое стандартное отклонение, σ; и параметры ядра, θ, модели GPR, сохраненной как вектор символов. Это может быть одно из следующих.
| Подходящий метод | Описание |
|---|---|
'none' | Никакая оценка. fitrgp использует начальные значения параметров в качестве значений параметров. |
'exact' | Точная Гауссова регрессия процесса. |
'sd' | Подмножество приближения точек данных. |
'sr' | Подмножество приближения регрессоров. |
'fic' | Полностью независимое условное приближение. |
BasisFunction — Явная основная функция'none' | 'constant' | 'linear' | 'pureQuadratic' | указатель на функциюЯвная основная функция используется в модели GPR, сохраненной как вектор символов или указатель на функцию. Это может быть одно из следующих. Если n является количеством наблюдений, основная функция добавляет термин H *β к модели, где H является базисной матрицей, и β является p-by-1 вектор базисных коэффициентов.
| Явное основание | Базисная матрица |
|---|---|
'none' | Пустая матрица. |
'constant' |
(n-by-1 вектор 1 с, где n является количеством наблюдений), |
'linear' |
|
'pureQuadratic' |
где |
| Указатель на функцию | Указатель на функцию, где |
Типы данных: char | function_handle
Beta — Предполагаемые коэффициентыПредполагаемые коэффициенты для явных основных функций, сохраненных как вектор. Можно задать явную основную функцию при помощи BasisFunction аргумент пары "имя-значение" в fitrgp.
Типы данных: double
Sigma — Предполагаемое шумовое стандартное отклонениеПредполагаемое шумовое стандартное отклонение модели GPR, сохраненной как скалярное значение.
Типы данных: double
CategoricalPredictors — Индексы категориальных предикторовКатегориальные индексы предиктора, заданные как вектор положительных целых чисел. CategoricalPredictors содержит значения индекса, соответствующие столбцам данных о предикторе, которые содержат категориальные предикторы. Если ни один из предикторов не является категориальным, то это свойство пусто ([]).
Типы данных: single | double
HyperparameterOptimizationResults — Описание оптимизации перекрестной проверки гиперпараметровBayesianOptimization возразите | таблицаОписание оптимизации перекрестной проверки гиперпараметров, заданных как BayesianOptimization возразите или таблица гиперпараметров и присваиваемых значений. Это свойство непусто если 'OptimizeHyperparameters' аргумент пары "имя-значение" непуст, когда вы создаете модель. Значение HyperparameterOptimizationResults зависит от установки Optimizer поле в HyperparameterOptimizationOptions структура, когда вы создаете модель, как описано в этой таблице.
Значение Optimizer Поле | Значение HyperparameterOptimizationResults |
|---|---|
'bayesopt' (значение по умолчанию) | Объект класса BayesianOptimization |
'gridsearch' или 'randomsearch' | Таблица гиперпараметров используемые, наблюдаемые значения целевой функции (потеря перекрестной проверки), и ранг наблюдений от самого низкого (лучше всего) к (худшему) самому высокому |
LogLikelihood — Максимизируемая крайняя логарифмическая вероятность[]Максимизируемая крайняя логарифмическая вероятность модели GPR, сохраненной как скалярное значение, если FitMethod отличается от 'none'. Если FitMethod 'none', затем LogLikelihood isempty.
Если FitMethod 'sd', 'sr', или 'fic', затем LogLikelihood максимизируемое приближение крайней логарифмической вероятности модели GPR.
Типы данных: double
ModelParameters — Параметры используются в обучении GPParams объектПараметры использовали в обучении модель GPR, сохраненную как GPParams объект.
KernelFunction — Форма функции ковариации'squaredExponential' | 'matern32' | 'matern52' | 'ardsquaredexponential' | 'ardmatern32' | 'ardmatern52' | указатель на функциюФорма функции ковариации, используемой в модели GPR, сохраненной как вектор символов, содержащий имя встроенной ковариации, функционирует или указатель на функцию. Это может быть одно из следующих.
| Функция | Описание |
|---|---|
'squaredexponential' | Экспоненциальное ядро в квадрате. |
'matern32' | Ядро Matern параметром 3/2. |
'matern52' | Ядро Matern параметром 5/2. |
'ardsquaredexponential' | Экспоненциальное ядро в квадрате с отдельной шкалой расстояний на предиктор. |
'ardmatern32' | Ядро Matern параметром 3/2 и отдельная шкала расстояний на предиктор. |
'ardmatern52' | Ядро Matern параметром 5/2 и отдельная шкала расстояний на предиктор. |
| Указатель на функцию | Указатель на функцию, что fitrgp может вызвать как это:Kmn = kfcn(Xm,Xn,theta) где Xm m-by-d матрица, Xn n-by-d матрица и Kmn m-by-n матрица продуктов ядра, таким образом что Kmn(i, j), продукт ядра между Xm(i, :) и XnJ. theta r-by-1 неограниченный вектор параметра для kfcn. |
Типы данных: char | function_handle
KernelInformation — Информация о параметрах функции ядраИнформация о параметрах функции ядра, используемой в модели GPR, сохраненной как структура следующими полями.
| Имя поля | Описание |
|---|---|
Name | Имя функции ядра |
KernelParameters | Вектор предполагаемых параметров ядра |
KernelParameterNames | Имена сопоставлены с элементами KernelParameters. |
Типы данных: struct
PredictMethod — Метод раньше делал прогнозы'exact' | 'bcd' | 'sd' | 'sr' | 'fic'Метод, что predict использование, чтобы сделать прогнозы из модели GPR, сохраненной как вектор символов. Это может быть одно из следующих.
| PredictMethod | Описание |
|---|---|
'exact' | Точная Гауссова регрессия процесса |
'bcd' | Блокируйте координатный спуск |
'sd' | Подмножество приближения Точек данных |
'sr' | Подмножество приближения Регрессоров |
'fic' | Полностью Независимое Условное приближение |
Alpha — Веса Веса раньше делали прогнозы из обученной модели GPR, сохраненной как числовой вектор. predict вычисляет прогнозы для новой матрицы предиктора Xnew при помощи продукта
матрица продуктов ядра между и активный вектор набора A и α является вектором весов.
Типы данных: double
BCDInformation — Информация об основанном на BCD расчете Alpha[]Информация о спуске координаты блока (BCD) - базирующийся расчет Alpha когда PredictMethod 'bcd', сохраненный как структура, содержащая следующие поля.
| Имя поля | Описание |
|---|---|
Gradient | n-by-1 вектор, содержащий градиент целевой функции BCD при сходимости. |
Objective | Скаляр, содержащий целевую функцию BCD при сходимости. |
SelectionCounts | n-by-1 целочисленный вектор, указывающий на число раз каждая точка, был выбран в блок во время BCD. |
Alpha свойство содержит Alpha вектор вычисляется из BCD.
Если PredictMethod не 'bcd', затем BCDInformation isempty.
Типы данных: struct
ResponseTransform — Преобразование применилось к предсказанному ответу'none' (значение по умолчанию)Преобразование применилось к предсказанному ответу, сохраненному как вектор символов, описывающий, как значения ответа, предсказанные моделью, преобразовываются. В RegressionGP, ResponseTransform 'none' по умолчанию, и RegressionGP не использует ResponseTransform при создании прогнозов.
ActiveSetVectors — Подмножество обучающих данныхПодмножество обучающих данных раньше делало прогнозы из модели GPR, сохраненной как матрица.
predict вычисляет прогнозы для новой матрицы предиктора Xnew при помощи продукта
матрица продуктов ядра между и активный вектор набора A и α является вектором весов.
ActiveSetVectors равно обучающим данным X для точного подбора кривой GPR и подмножества обучающих данных X для разреженных методов GPR. Когда существуют категориальные предикторы в модели, ActiveSetVectors содержит фиктивные переменные для соответствующих предикторов.
Типы данных: double
ActiveSetHistory — История активного выбора набора и оценки параметраИстория чередованного активного выбора набора и оценки параметра для FitMethod равняйтесь 'sd', 'sr', или 'fic', сохраненный как структура следующими полями.
| Имя поля | Описание |
|---|---|
ParameterVector | Массив ячеек, содержащий векторы параметра: коэффициенты основной функции, β, параметры функции ядра θ и шумовое стандартное отклонение σ. |
ActiveSetIndices | Массив ячеек, содержащий активные индексы набора. |
Loglikelihood | Вектор, содержащий максимизируемые логарифмические вероятности. |
CriterionProfile | Массив ячеек, содержащий активные значения критерия выбора набора как активный набор, растет от размера 0 к его итоговому размеру. |
Типы данных: struct
ActiveSetMethod — Метод раньше выбирал активный набор'sgma' | 'entropy' | 'likelihood' | 'random'Метод раньше выбирал активный набор для разреженных методов ('sd', 'sr', или 'fic'), сохраненный как вектор символов. Это может быть одно из следующих.
| ActiveSetMethod | Описание |
|---|---|
'sgma' | Разреженное жадное матричное приближение |
'entropy' | Дифференциальный основанный на энтропии выбор |
'likelihood' | Подмножество регрессоров регистрирует основанный на вероятности выбор |
'random' | Случайный выбор |
Выбранный активный набор используется по оценке параметра или прогнозу, в зависимости от выбора FitMethod и PredictMethod в fitrgp.
ActiveSetSize — Размер активного набораРазмер активного набора для разреженных методов ('sd', 'sr', или 'fic'), сохраненный как целочисленное значение.
Типы данных: double
IsActiveSetVector — Индикаторы для выбранного активного набораИндикаторы для выбранного активного набора для того, чтобы сделать прогнозы из обученной модели GPR, сохраненной как логический вектор. Эти индикаторы отмечают подмножество обучающих данных что fitrgp выбирает как активный набор. Например, если X исходные обучающие данные, затем ActiveSetVectors = X(IsActiveSetVector,:).
Типы данных: логический
NumObservations — Количество наблюдений в обучающих данныхКоличество наблюдений в обучающих данных, хранимых как скалярное значение.
Типы данных: double
X — Обучающие данныеОбучающие данные, хранимые как n-by-d таблица или матрица, где n является количеством наблюдений и d, являются количеством переменных предикторов (столбцы) в обучающих данных. Если модель GPR обучена на таблице, то X таблица. В противном случае, X матрица.
Типы данных: double | table
Y — Наблюдаемые значения ответаНаблюдаемые значения ответа раньше обучали модель GPR, сохраненную как n-by-1 вектор, где n является количеством наблюдений.
Типы данных: double
PredictorNames — Имена предикторовИмена предикторов используются в модели GPR, сохраненной как массив ячеек из символьных векторов. Каждое имя (ячейка) соответствует столбцу в X.
Типы данных: cell
ExpandedPredictorNames — Имена расширенных предикторовИмена расширенных предикторов для модели GPR, сохраненной как массив ячеек из символьных векторов. Каждое имя (ячейка) соответствует столбцу в ActiveSetVectors.
Если модель использует фиктивные переменные в категориальных переменных, то ExpandedPredictorNames включает имена, которые описывают расширенные переменные. В противном случае, ExpandedPredictorNames совпадает с PredictorNames.
Типы данных: cell
ResponseName — Имя переменной откликаИмя переменной отклика в модели GPR, сохраненной как вектор символов.
Типы данных: char
PredictorLocation — Средства предикторов[]Средства предикторов, используемых в обучении модель GPR, если обучающие данные стандартизирован, сохранили как 1 d вектором. Если обучающие данные не стандартизированы, PredictorLocation isempty.
Если PredictorLocation не пусто, затем predict метод сосредотачивает значения предиктора путем вычитания соответствующего элемента PredictorLocation из каждого столбца X.
Если существуют категориальные предикторы, то PredictorLocation включает 0 для каждой фиктивной переменной, соответствующей тем предикторам. Фиктивные переменные не сосредотачиваются или масштабируются.
Типы данных: double
PredictorScale — Стандартные отклонения предикторов[]Стандартные отклонения предикторов, используемых в обучении модель GPR, если обучающие данные стандартизирован, сохранили как 1 d вектором. Если обучающие данные не стандартизированы, PredictorScale isempty.
Если PredictorScale не пусто, predict метод масштабирует предикторы путем деления каждого столбца X соответствующим элементом PredictorScale (после того, как центрирование использования PredictorLocation).
Если существуют категориальные предикторы, то PredictorLocation включает 1 для каждой фиктивной переменной, соответствующей тем предикторам. Фиктивные переменные не сосредотачиваются или масштабируются.
Типы данных: double
RowsUsed — Индикаторы для строк используются в обучении[]Индикаторы для строк использовали в обучении модель GPR, сохраненную как логический вектор. Если все строки используются в обучении модель, то RowsUsed isempty.
Типы данных: логический
| компактный | Создайте компактную Гауссову модель регрессии процесса |
| crossval | Перекрестный подтвердите Гауссову модель регрессии процесса |
| postFitStatistics | Вычислите постподходящую статистику для точной Гауссовой модели регрессии процесса |
| resubLoss | Потеря перезамены для обученной Гауссовой модели регрессии процесса |
| resubPredict | Прогноз перезамены из обученной Гауссовой модели регрессии процесса |
| потеря | Ошибка регрессии для Гауссовой модели регрессии процесса |
| предсказать | Предскажите ответ Гауссовой модели регрессии процесса |
Для подмножества данных, подмножества регрессоров или полностью независимого условного приближения подходящие методы (FitMethod равняйтесь 'sd', 'sr', или 'fic'), если вы не обеспечиваете активный набор, fitrgp выбирает активный набор и вычисляет оценки параметра в серии итераций.
В первой итерации программное обеспечение использует начальные значения параметров в векторном η 0 = [β 0, σ 0, θ 0], чтобы выбрать активный набор A1. Это максимизирует GPR крайняя логарифмическая вероятность или ее приближение с помощью η0 как начальные значения и A1, чтобы вычислить новые оценки параметра η1. Затем это вычисляет новую логарифмическую вероятность L 1 использование η1 и A1.
Во второй итерации программное обеспечение выбирает активный набор A2 с помощью значений параметров в η1. Затем с помощью η1 как начальные значения и A2, это максимизирует GPR крайняя логарифмическая вероятность или ее приближение и оценивает новые значения параметров η2. Затем с помощью η2 и A2, вычисляет новое логарифмическое значение вероятности L 2.
Следующая таблица обобщает итерации и что вычисляется в каждой итерации.
| Номер итерации | Активный набор | Вектор параметра | Регистрируйте вероятность |
|---|---|---|---|
| 1 | A1 | η1 | L 1 |
| 2 | A2 | η2 | L 2 |
| 3 | A3 | η3 | L 3 |
| … | … | … | … |
Программное обеспечение выполняет итерации так же для конкретного количества повторений. Можно задать количество репликаций для активного выбора набора с помощью NumActiveSetRepeats аргумент пары "имя-значение".
Можно получить доступ к свойствам этого класса с помощью записи через точку. Например, KernelInformation структура, содержащая параметры ядра и их имена. Следовательно, чтобы получить доступ к параметрам функции ядра обученной модели gprMdl, используйте gprMdl.KernelInformation.KernelParameters.
Указания и ограничения по применению:
predict функционируйте генерация кода поддержек.
Когда вы обучаете Гауссову модель регрессии процесса при помощи fitrgp, вы не можете снабдить обучающими данными в таблице, которая содержит логический вектор, символьный массив, категориальный массив, массив строк или массив ячеек из символьных векторов. Кроме того, вы не можете использовать 'CategoricalPredictors' аргумент пары "имя-значение". Генерация кода не поддерживает категориальные предикторы. Чтобы включать категориальные предикторы в модель, предварительно обработайте категориальные предикторы при помощи dummyvar прежде, чем подбирать модель.
Для получения дополнительной информации смотрите Введение в Генерацию кода.
CompactRegressionGP | compact | fitrgp | plotPartialDependence
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.