RegressionGP class

Суперклассы: CompactRegressionGP

Гауссов класс модели регрессии процесса

Описание

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 предсказания.

  • Вычислите потерю регрессии для обучающих данных с помощью resubLoss или новые данные с помощью loss.

Конструкция

Создайте RegressionGP объект при помощи fitrgp.

Свойства

развернуть все

Подбор кривой

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 методОписание
'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.

Явная 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 из базисных коэффициентов.

Явное основаниеБазисная матрица
'none'Пустая матрица.
'constant'

H=1

(n-by-1 вектор 1 с, где n является количеством наблюдений),

'linear'

H=[1,X]

'pureQuadratic'

H=[1,X,X2],

где

X2=[x112x122x1d2x212x222x2d2xn12xn22xnd2].

Указатель на функцию

Указатель на функцию, hfcn, это fitrgp вызовы как:

H=hfcn(X),

где X n-by-d матрица предикторов, и H является n-by-p матрица основных функций.

Типы данных: char | function_handle

Предполагаемые 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

Предполагаемое шумовое стандартное отклонение модели GPR, сохраненной как скалярное значение.

Типы данных: double

Категориальные индексы предиктора в виде вектора из 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

Это свойство доступно только для чтения.

Оптимизация перекрестной проверки гиперпараметров в виде 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.

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

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

Параметры использовали для обучения модель GPR, сохраненную как GPParams объект.

Функция ядра

Форма 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.

ФункцияОписание
'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 функциюУказатель на функцию это 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

Информация о параметрах функции ядра, используемой в модели GPR, сохраненной как структура следующими полями.

Имя поляОписание
NameИмя функции ядра
KernelParametersВектор из предполагаемых параметров ядра
KernelParameterNamesИмена сопоставлены с элементами KernelParameters.

Типы данных: struct

Предсказание

Метод, что predict использование, чтобы сделать предсказания из модели GPR, сохраненной как вектор символов. Это может быть одно из следующих.

PredictMethodОписание
'exact'Точная Гауссова регрессия процесса
'bcd'Блокируйте координатный спуск
'sd'Подмножество приближения Точек данных
'sr'Подмножество приближения Регрессоров
'fic'Полностью Независимое Условное приближение

Веса раньше делали предсказания из обученной модели GPR, сохраненной как числовой вектор. predict вычисляет предсказания для новой матрицы предиктора Xnew при помощи продукта

K(Xnew,A)*α.

K(Xnew,A) матрица продуктов ядра между Xnew и активный вектор набора A и α является вектором из весов.

Типы данных: double

Информация о спуске координаты блока (BCD) - базирующийся расчет Alpha когда PredictMethod 'bcd', сохраненный как структура, содержащая следующие поля.

Имя поляОписание
Gradientn-by-1 вектор, содержащий градиент целевой функции BCD при сходимости.
ObjectiveСкаляр, содержащий целевую функцию BCD при сходимости.
SelectionCountsn-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

Преобразование применилось к предсказанному ответу, сохраненному как вектор символов, описывающий, как значения отклика, предсказанные моделью, преобразовываются. В RegressionGP, ResponseTransform 'none' по умолчанию, и RegressionGP не использует ResponseTransform при создании предсказаний.

Активный выбор набора

Подмножество обучающих данных раньше делало предсказания из модели GPR, сохраненной как матрица.

predict вычисляет предсказания для новой матрицы предиктора Xnew при помощи продукта

K(Xnew,A)*α.

K(Xnew,A) матрица продуктов ядра между Xnew и активный вектор набора A и α является вектором из 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

История чередованного активного выбора набора и оценки параметра для FitMethod равняйтесь 'sd', 'sr', или 'fic', сохраненный как структура следующими полями.

Имя поляОписание
ParameterVectorМассив ячеек, содержащий векторы параметра: коэффициенты основной функции, β, параметры функции ядра θ и шумовое стандартное отклонение σ.
ActiveSetIndicesМассив ячеек, содержащий активные индексы набора.
LoglikelihoodВектор, содержащий максимизируемые логарифмические вероятности.
CriterionProfileМассив ячеек, содержащий активные значения критерия выбора набора как активный набор, растет от размера 0 к его итоговому размеру.

Типы данных: struct

Метод раньше выбирал активный набор для разреженных методов ('sd', 'sr', или 'fic'), сохраненный как вектор символов. Это может быть одно из следующих.

ActiveSetMethodОписание
'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 предсказанию, в зависимости от выбора FitMethod и PredictMethod \in fitrgp.

Размер активного набора для разреженных методов ('sd', 'sr', или 'fic'), сохраненный как целочисленное значение.

Типы данных: double

Индикаторы для выбранного активного набора для того, чтобы сделать предсказания из обученной модели GPR, сохраненной как логический вектор. Эти индикаторы отмечают подмножество обучающих данных это fitrgp выбирает как активный набор. Например, если X исходные обучающие данные, затем ActiveSetVectors = X(IsActiveSetVector,:).

Типы данных: логический

Обучающие данные

Количество наблюдений в обучающих данных, хранимых как скалярное значение.

Типы данных: double

Обучающие 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

Наблюдаемые значения отклика раньше обучали модель GPR, сохраненную как n-by-1 вектор, где n является количеством наблюдений.

Типы данных: double

Имена предикторов используются в модели GPR, сохраненной как массив ячеек из символьных векторов. Каждое имя (ячейка) соответствует столбцу в X.

Типы данных: cell

Имена расширенных предикторов для модели GPR, сохраненной как массив ячеек из символьных векторов. Каждое имя (ячейка) соответствует столбцу в ActiveSetVectors.

Если модель использует фиктивные переменные для категориальных переменных, то ExpandedPredictorNames включает имена, которые описывают расширенные переменные. В противном случае, ExpandedPredictorNames совпадает с PredictorNames.

Типы данных: cell

Имя переменной отклика в модели GPR, сохраненной как вектор символов.

Типы данных: char

Средние значения предикторов, используемых для обучения 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

Стандартные отклонения предикторов, используемых для обучения 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

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

Функции объекта

compactСоздайте компактную Гауссову модель регрессии процесса
crossvalПерекрестный подтвердите Гауссову модель регрессии процесса
lossОшибка регрессии для Гауссовой модели регрессии процесса
partialDependenceВычислите частичную зависимость
plotPartialDependenceСоздайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP)
postFitStatisticsВычислите постподходящую статистику для точной Гауссовой модели регрессии процесса
predictПредскажите ответ Гауссовой модели регрессии процесса
resubLossПотеря перезамены для обученной Гауссовой модели регрессии процесса
resubPredictПредсказание перезамены из обученной Гауссовой модели регрессии процесса

Больше о

развернуть все

Советы

  • 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.

Расширенные возможности

Введенный в R2015b
Для просмотра документации необходимо авторизоваться на сайте