| Обучающийся регрессии | Обучение регрессионных моделей прогнозированию данных с использованием контролируемого машинного обучения |
fitrgp | Подгонка модели регрессии гауссова процесса (GPR) |
predict | Прогнозировать отклик модели регрессии гауссова процесса |
loss | Регрессионная ошибка для модели регрессии гауссова процесса |
compact | Создание компактной модели регрессии гауссова процесса |
crossval | Модель регрессии гауссова процесса с перекрестной проверкой |
lime | Локальные интерпретируемые модели-агностические объяснения (LIME) |
partialDependence | Вычислить частичную зависимость |
plotPartialDependence | Создание графиков частичной зависимости (PDP) и индивидуального условного ожидания (ICE) |
postFitStatistics | Вычисление статистики после подгонки для точной модели регрессии гауссова процесса |
resubLoss | Потеря резации для обученной модели регрессии гауссова процесса |
resubPredict | Прогноз повторного замещения из обученной модели регрессии гауссова процесса |
shapley | Значения Шапли |
RegressionGP | Класс регрессионной модели гауссова процесса |
CompactRegressionGP | Класс модели регрессии компактного гауссова процесса |
Регрессионные модели гауссовых процессов
Модели регрессии гауссовых процессов (GPR) являются непараметрическими вероятностными моделями на основе ядра.
В гауссовых процессах функция ковариации выражает ожидание, что точки с аналогичными значениями предиктора будут иметь аналогичные значения ответа.
Изучите оценку и прогноз параметров в точном методе GPR.
Подмножество аппроксимации данных для моделей GPR
При больших наборах данных поднабор метода аппроксимации данных может значительно сократить время, необходимое для обучения модели регрессии гауссова процесса.
Поднабор аппроксимации регрессоров для моделей GPR
Метод аппроксимации подмножества регрессоров заменяет точную функцию ядра аппроксимацией.
Полностью независимое условное приближение для моделей GPR
Полностью независимое условное (FIC) приближение является способом систематической аппроксимации истинной функции ядра GPR таким образом, чтобы избежать проблемы предиктивной дисперсии SR приближения при сохранении действительного гауссова процесса.
Приблизительный спуск по координатам блоков для моделей GPR
Блочное приближение спуска координат - еще один метод приближения, используемый для сокращения времени вычислений с большими наборами данных.