Обучение модели GPR точному методу (когда FitMethod является 'Exact') требует инверсии матрицы n-на-n. Следовательно, вычислительная сложность равна O (kn3), где k - количество оценок функций, необходимых для оценки β, start, и start2, а n - количество наблюдений. Для больших n оценка параметров или вычислительные прогнозы могут быть очень дорогими.
Одним из простых способов решения задачи вычислительной сложности с большими наборами данных является выбор m < n наблюдений из n, а затем применение точной модели GPR к этим m точкам для оценки , Это меньшее подмножество называется активным набором. Этот метод аппроксимации называется методом подмножества данных (SD).
Вычислительная сложность при использовании метода SD равна O (км3), где k - число оценок функций, а m - размер активного набора. Требования к хранению составляют O (м2), поскольку в памяти должна храниться только часть полной матрицы ядра K (X, X '
Можно указать метод SD для оценки параметров с помощью 'FitMethod','sd' аргумент пары имя-значение в вызове fitrgp. Для определения метода SD для прогнозирования используйте 'PredictMethod','sd' аргумент пары имя-значение.
Для оценки параметров с использованием точной модели GPR см. оценку параметров с использованием точного метода GPR. Для составления прогнозов с использованием точной модели GPR см. прогнозирование с использованием точного метода GPR.