Обучение модель GPR с точным методом (когда FitMethod
'Exact'
) требует инверсии n-by-n матрица. Поэтому вычислительная сложность является O (k *n^3), где k является количеством вычислений функции, требуемых для оценки , , и , и n является количеством наблюдений. Для большого n оценка параметров или вычислительных предсказаний может быть очень дорогой.
Один простой способ решить вычислительную задачу 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 , , и при игнорировании другого (n – m) 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 вычислений функции, и m является активным размером набора. Требования устройства хранения данных являются O (m ^2) только начиная с части полной матрицы ядра потребности храниться в памяти.
Можно задать метод SD для оценки параметра при помощи 'FitMethod','sd'
аргумент пары "имя-значение" в вызове fitrgp
. Чтобы задать метод SD для предсказания, используйте 'PredictMethod','sd'
аргумент пары "имя-значение".
Для оценки параметров с помощью точной модели GPR смотрите, что оценка параметра использует точный метод GPR. Для того, чтобы сделать предсказания с помощью точной модели GPR, см., что предсказание использует точный метод GPR.