В этом примере используется набор данных «Корпус» [1] из архива машинного обучения UCI [2], описанного в разделе http://archive.ics.uci.edu/ml/datasets/Housing. Загрузите данные и сохраните их в текущей папке как файл данных с именем housing.data.

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 пригороде Бостона, в зависимости от 13 предикторов.

Загрузите данные и определите вектор отклика и матрицу предиктора.

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

Обучить модель GPR с использованием подмножества регрессоров ('sr') метод аппроксимации с Matern 3/2 ('Matern32') функция ядра. Прогнозировать с помощью полностью независимого условного ('fic') метод.

gprMdl = fitrgp(X,y,'KernelFunction','Matern32',...
'FitMethod','sr','PredictMethod','fic');

Спрогнозировать ответы с использованием обученной модели GPR. Вычислите 99% интервалы прогнозирования.

[ypred,~,yint] = resubPredict(gprMdl,'Alpha',0.01);

Постройте график фактических значений отклика вместе с прогнозами из модели GPR.

figure;
h1 = area([yint(:,1) yint(:,2)-yint(:,1)],-8,...
'FaceColor',[0.85,0.85,0.85],'EdgeColor',[0.85,0.85,0.85]);
hold on;
h1(1).FaceColor = 'none'; % remove color from bottom area
h1(1).EdgeColor = 'none';
h2 = plot(y,'r'); % Plot original response values
h3 = plot(ypred,'b--'); % Plot predicted response values
legend([h2 h3 h1(2)],'Actual response','Predicted response',...
'Prediction intervals','Location','South');
axis([0 510 -7 65]);
hold off

В серой области показаны 99% интервалы прогнозирования.