| Regression Learner | Обучите модели регрессии предсказывать данные с помощью машинного обучения с учителем |
fitrgp | Подбирайте модель Gaussian process regression (GPR) |
predict | Предскажите ответ Гауссовой модели регрессии процесса |
loss | Ошибка регрессии для Гауссовой модели регрессии процесса |
compact | Создайте компактную Гауссову модель регрессии процесса |
crossval | Перекрестный подтвердите Гауссову модель регрессии процесса |
lime | Локальные поддающиеся толкованию объяснения модели агностические (LIME) |
partialDependence | Вычислите частичную зависимость |
plotPartialDependence | Создайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP) |
postFitStatistics | Вычислите постподходящую статистику для точной Гауссовой модели регрессии процесса |
resubLoss | Потеря перезамены для обученной Гауссовой модели регрессии процесса |
resubPredict | Предсказание перезамены из обученной Гауссовой модели регрессии процесса |
shapley | Шепли оценивает |
RegressionGP | Гауссов класс модели регрессии процесса |
CompactRegressionGP | Компактный Гауссов класс модели регрессии процесса |
Гауссовы модели регрессии процесса
Модели гауссовой регрессии процесса (GPR) являются непараметрическими основанными на ядре вероятностными моделями.
Ядро (ковариация) опции функции
В Гауссовых процессах функция ковариации описывает ожидание, которое указывает с подобными значениями предиктора, будет иметь подобные значения отклика.
Изучите оценку параметра и предсказание в точном методе GPR.
Подмножество приближения данных для моделей GPR
С большими наборами данных подмножество метода приближения данных может значительно уменьшать время, требуемое обучать Гауссову модель регрессии процесса.
Подмножество приближения регрессоров для моделей GPR
Подмножество метода приближения регрессоров заменяет точную функцию ядра приближением.
Полностью Независимое условное приближение для моделей GPR
Приближение полностью независимого условного выражения (FIC) является способом систематической аппроксимации истинной функции ядра GPR способом, которая избегает прогнозирующей проблемы отклонения приближения SR, все еще обеспечивая допустимый Гауссов процесс.
Блокируйте координатное приближение спуска для моделей GPR
Блокируйтесь координатное приближение спуска является другим методом приближения, используемым, чтобы уменьшать время вычисления с большими наборами данных.