Загрузите данные по жилью [1] из репозитория машинного обучения UCI [4].

В наборе данных 506 наблюдений. Первые 13 столбцов содержат предикторные значения, а последний столбец содержит ответные значения. Цель состоит в том, чтобы предсказать медианную стоимость домов, занятых владельцами в пригородном Бостоне, в зависимости от 13 предикторов.

Загрузите данные и определите вектор отклика и матрицу предиктора.

load('housing.data');
X = housing(:,1:13);
y = housing(:,end);

Поместите модель GPR с использованием квадратной экспоненциальной функции ядра с отдельной шкалой длины для каждого предиктора. Стандартизация переменных предиктора.

gprMdl = fitrgp(X,y,'KernelFunction','ardsquaredexponential','Standardize',1);

Создайте раздел перекрестной проверки для данных, используя предиктор 4 в качестве переменной группировки.

rng('default') % For reproducibility
cvp = cvpartition(X(:,4),'kfold',10);

Создание 10-кратной перекрестной проверенной модели с использованием секционированных данных в cvp.

cvgprMdl = crossval(gprMdl,'CVPartition',cvp);

Вычислите потерю регрессии для кратных наблюдений, используя модели, обученные на внеплановых наблюдениях.

L = kfoldLoss(cvgprMdl)

L =

    9.5299

Предсказать реакцию на кратные наблюдения, т.е. наблюдения, не используемые для обучения.

ypred = kfoldPredict(cvgprMdl);

Для каждого раза, kfoldPredict прогнозирует ответы для наблюдений в этом масштабе с использованием моделей, обученных на внеплановых наблюдениях.

Постройте график фактических откликов и данных прогнозирования.

plot(y,'r.');
hold on;
plot(ypred,'b--.');
axis([0 510 -15 65]);
legend('True response','GPR prediction','Location','Best');
hold off;

Загрузите данные abalone [2], [3] из репозитория машинного обучения UCI [4] и сохраните их в текущем каталоге с именем abalone.data.

Считывание данных в table.

tbl = readtable('abalone.data','Filetype','text','ReadVariableNames',false);

В наборе данных 4177 наблюдений. Цель - предсказать возраст абалона из 8 физических измерений.

Подогнать модель GPR с использованием подмножества регрессоров (sr) метод оценки параметров и полностью независимый условный (fic) способ прогнозирования. Стандартизируйте предикторы и используйте квадратную экспоненциальную функцию ядра с отдельной шкалой длины для каждого предиктора.

gprMdl = fitrgp(tbl,tbl(:,end),'KernelFunction','ardsquaredexponential',...
      'FitMethod','sr','PredictMethod','fic','Standardize',1);

Перекрестная проверка модели с использованием четырехкратной перекрестной проверки. При этом данные разделяются на 4 набора. Для каждого аппарата, fitrgp использует этот набор (25% данных) в качестве тестовых данных и обучает модель на оставшихся 3 наборах (75% данных).

rng('default') % For reproducibility
cvgprMdl = crossval(gprMdl,'KFold',4);

Вычислите потери по отдельным складкам.

L = kfoldLoss(cvgprMdl,'mode','individual')

L =

    4.3669
    4.6896
    4.0565
    4.3162

Вычислите среднюю перекрестную проверенную потерю по всем складкам. Значением по умолчанию является среднеквадратичная ошибка.

L2 = kfoldLoss(cvgprMdl)

L2 =

    4.3573

Это равно средней потере по отдельным складкам.

mse = mean(L)

mse =

    4.3573