Класс: RegressionGP
Вычислите постподходящую статистику для точной Гауссовой модели регрессии процесса
loores = postFitStatistics(gprMdl)
[loores,neff] = postFitStatistics(gprMdl)
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.
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 для подбора 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');
Можно только вычислить постподходящую статистику когда PredictMethod 'exact'.
Если FitMethod 'exact'то postFitStatistics счета на то, что фиксированные коэффициенты основной функции оцениваются из данных.
Если FitMethod отличается, чем 'exact'то 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.
