postFitStatistics

Класс: RegressionGP

Вычислите постподходящую статистику для точной Гауссовой модели регрессии процесса

расширьте все на странице

Синтаксис

loores = postFitStatistics(gprMdl)
[loores,neff] = postFitStatistics(gprMdl)

Описание

loores = postFitStatistics(gprMdl) возвращается остаточные значения "пропускают один", loores, для обученной модели Gaussian process regression (GPR).

[loores,neff] = postFitStatistics(gprMdl) также возвращает количество эффективных параметров, neff.

Входные параметры

развернуть все

Гауссова модель регрессии процесса в виде RegressionGP объект.

Выходные аргументы

развернуть все

Остаточные значения "Пропускают один", возвращенный как n-by-1 матрица, где n является количеством наблюдений в обучающих данных.

Количество эффективных параметров, возвращенных как n-by-1 матрица, где n является количеством наблюдений в обучающих данных.

Примеры

развернуть все

Скрипт Open Live Script

Сгенерируйте выборочные данные. 

rng(0,'twister'); % For reproducibility
n = 1500;
x = linspace(-10,10,n)';
y = sin(3*x).*cos(3*x) + sin(2*x).*cos(2*x) + sin(x) + cos(x) + 0.2*randn(n,1);

Подбирайте модель GPR с помощью точного метода в подборе кривой и предсказания. 

gprMdl = fitrgp(x,y,'Basis','linear','FitMethod','exact',...
'PredictMethod','exact','KernelFunction','matern52');

Вычислите остаточные значения, "пропускают один" и эффективное количество параметров в обученной модели. 

[loores,neff] = postFitStatistics(gprMdl);

Предскажите ответы с помощью обученной модели. 

ypred = resubPredict(gprMdl);

Постройте истинные и предсказанные ответы и отобразите эффективное количество параметров в подгонке. 

figure()
plot(x,y,'r.');
hold on;
plot(x,ypred,'b'); 
xlabel('x');
ylabel('y');
legend('Data','GPR prediction','Location','Best');
title(['Effective number of parameters = ',num2str(neff)]);
hold off

Постройте остаточные значения, "пропускают один". 

figure()
plot(x,loores,'r.-');
xlabel('x');
ylabel('leave-one-out residuals');

Советы

  • Можно только вычислить постподходящую статистику когда PredictMethod 'exact'.

  • Если FitMethod 'exact', затем postFitStatistics счета на то, что фиксированные коэффициенты основной функции оцениваются из данных.

  • Если FitMethod отличается, чем 'exact', затем postFitStatistics обрабатывает фиксированные коэффициенты основной функции, как известный.

  • Для всего PredictMethod и FitMethod опции, postFitStatistics обрабатывает предполагаемые параметры ядра и шумовое стандартное отклонение, как известный.

Смотрите также

|

Введенный в R2015b

Документация Statistics and Machine Learning Toolbox
Поддержка
Для просмотра документации необходимо авторизоваться на сайте