Exponenta Banner

CompactRegressionGP

Пакет: classreg.learning.regr

Компактный класс регрессионной модели Гауссова процесса

развернуть все на странице

Описание

CompactRegressionGP является компактной моделью регрессии Гауссова процесса (GPR). Компактная модель потребляет меньше памяти, чем полная модель, потому что она не включает данные, используемые для настройки модели GPR.

Поскольку компактная модель не включает обучающие данные, вы не можете выполнить некоторые задачи, такие как перекрестная валидация, используя компактную модель. Однако можно использовать компактную модель для создания предсказаний или вычислить регрессионые потери для новых данных (использование predict и loss).

Конструкция

compactMdl = compact(gprMdl) возвращает компактную модель GPR, compactMdl, из полной, обученной модели GPR, gprMdl. Для получения дополнительной информации см. compact.

Входные параметры

расширить все

Полная, обученная регрессионая модель Гауссова процесса, заданная как RegressionGP модель, возвращенная fitrgp.

Свойства

расширить все

Подбор кривой

Метод, используемый для оценки коэффициентов базиса функций, β; стандартное отклонение шума, и параметры ядра, в, модели GPR, сохраненные в виде вектора символов. Это может быть одно из следующего.

Метод подгонкиОписание
'none'Оценка отсутствует. fitrgp использует начальные значения параметров в качестве значений параметров.
'exact'Точная регрессия Гауссова процесса.
'sd'Подмножество точек данных приближений.
'sr'Подмножество приближения регрессоров.
'fic'Полностью независимое условное приближение.

Явная функция базиса, используемая в модели GPR, сохраненная в виде вектора символов или указателя на функцию. Это может быть одно из следующего. Если n - количество наблюдений, функция базиса добавляет термин H * β в модель, где H - матрица базиса, а β - вектор базиса p на 1.

Явный базисМатрица базиса
'none'Пустая матрица.
'constant'

H=1

(n - на 1 вектор 1с, где n - количество наблюдений)

'linear'

H=[1,X]

'pureQuadratic'

H=[1,X,X2],

где

X2=[x112x122⋯x1d2x212x222⋯x2d2⋮⋮⋮⋮xn12xn22⋯xnd2].

Указатель на функцию

Указатель на функцию, hfcn, что fitrgp вызывает как:

H=hfcn(X),

где X является n -by- d матрицей предикторов и H является n -by- p матрицей базисных функций.

Типы данных: char | function_handle

Категориальные индексы предиктора, заданные как вектор положительных целых чисел. CategoricalPredictors содержит значения индекса, соответствующие столбцам данных предиктора, которые содержат категориальные предикторы. Если ни один из предикторов не является категориальным, то это свойство пустое ([]).

Типы данных: single | double

Предполагаемые коэффициенты для явных базисных функций, сохраненные в виде вектора. Вы можете задать явную функцию базиса при помощи BasisFunction аргумент пары "имя-значение" в fitrgp.

Типы данных: double

Предполагаемое шумовое стандартное отклонение модели GPR, сохраненное в виде скалярного значения.

Типы данных: double

Параметры, используемые для настройки модели GPR, хранятся как GPParams объект.

Функция ядра

Форма функции ковариации, используемой в модели GPR, сохраненная как вектор символов, содержащая имя встроенной функции ковариации или указателя на функцию. Это может быть одно из следующего.

ФункцияОписание
'squaredexponential'Квадратное экспоненциальное ядро.
'matern32'Ядро Matern с параметром 3/2.
'matern52'Ядро Matern с параметром 5/2.
'ardsquaredexponential'Квадратное экспоненциальное ядро с отдельной шкалой длины на предиктор.
'ardmatern32'Ядро Матерна с параметром 3/2 и отдельной шкалой длины на предиктор.
'ardmatern52'Ядро Матерна с параметром 5/2 и отдельной шкалой длины на предиктор.
Указатель на функциюУказатель на функцию, который fitrgp может вызвать так:
Kmn = kfcn(Xm,Xn,theta)
где Xm является m -by- d матрицей, Xn является n -by d матрицей и Kmn является m -by - n матрицей продуктов ядра, таких что Kmn(i, j) является ядерным продуктом между Xm(i,:) и Xn(j:).
theta - вектор параметра r -by-1 без ограничений для kfcn.

Типы данных: char | function_handle

Информация о параметрах функции ядра, используемой в модели GPR, хранится как структура со следующими полями.

Имя поляОписание
NameИмя функции ядра
KernelParametersВектор предполагаемых параметров ядра
KernelParameterNamesИмена, связанные с элементами KernelParameters.

Типы данных: struct

Предсказание

Метод, который predict использует, чтобы делать предсказания из модели GPR, сохраненные в виде вектора символов. Это может быть одно из следующего.

PredictMethodОписание
'exact'Точная регрессия Гауссова процесса
'bcd'Блок Координатный Спуск
'sd'Подмножество точек данных приближений
'sr'Подмножество приближения регрессоров
'fic'Полностью независимое условное приближение

Веса, используемые для предсказаний из обученной модели GPR, сохраненные в виде числового вектора. predict вычисляет предсказания для новой матрицы предиктора Xnew при помощи продукта

K(Xnew,A)*α .

K(Xnew,A) - матрица продуктов ядра между Xnew и активный вектор A и α является вектором весов.

Типы данных: double

Преобразование, примененное к предсказанному отклику, сохранено как вектор символов, описывающий преобразование значений отклика, предсказанных моделью. В RegressionGP, ResponseTransform является 'none' по умолчанию и RegressionGP не использует ResponseTransform при выполнении предсказаний.

Выбор активного набора

Подмножество обучающих данных, используемых для составления предсказаний из модели GPR, хранится в виде матрицы.

predict вычисляет предсказания для новой матрицы предиктора Xnew при помощи продукта

K(Xnew,A)*α .

K(Xnew,A) - матрица продуктов ядра между Xnew и активный вектор A и α является вектором весов.

ActiveSetVectors равен обучающим данным X для точных подборов кривой GPR и подмножества обучающих данных X для разреженных методов GPR. Когда в модели есть категориальные предикторы, ActiveSetVectors содержит фиктивные переменные для соответствующих предикторов.

Типы данных: double

Метод, используемый для выбора активного набора для разреженных методов ('sd', 'sr', или 'fic'), сохраненный как вектор символов. Это может быть одно из следующего.

ActiveSetMethodОписание
'sgma'Разреженное жадное матричное приближение
'entropy'Дифференциальный выбор на основе энтропии
'likelihood'Подмножество регрессоров регистрирует выбор, основанный на вероятностях
'random'Случайный выбор

Выбранный активный набор используется в оценке или предсказании параметра, в зависимости от выбора FitMethod и PredictMethod в fitrgp.

Размер активного набора для разреженных методов ('sd', 'sr', или 'fic'), сохраненный в виде целого значения.

Типы данных: double

Функции объекта

limeЛокальные интерпретируемые модели-агностические объяснения (LIME)
lossРегрессионная ошибка для модели регрессии Гауссова процесса
partialDependenceВычисление частичной зависимости
plotPartialDependenceСоздайте график частичной зависимости (PDP) и отдельные графики условного ожидания (ICE)
predictПредсказать ответ модели регрессии Гауссова процесса
shapleyЗначения Shapley

Копировать семантику

Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел «Копирование объектов».

Расширенные возможности

.

См. также

| |

Темы

Введенный в R2015b

Statistics and Machine Learning Toolbox документация

Поддержка