| Regression Learner | Обучите регрессионные модели прогнозировать данные с помощью машинного обучения с учителем |
fitrgp | Подбор модели регрессии Гауссова процесса (GPR) |
predict | Предсказать ответ модели регрессии Гауссова процесса |
loss | Регрессионная ошибка для модели регрессии Гауссова процесса |
compact | Создайте компактную модель регрессии Гауссова процесса |
crossval | Перекрестная валидация модели регрессии Гауссова процесса |
lime | Локальные интерпретируемые модели-агностические объяснения (LIME) |
partialDependence | Вычисление частичной зависимости |
plotPartialDependence | Создайте график частичной зависимости (PDP) и отдельные графики условного ожидания (ICE) |
postFitStatistics | Вычислите статистику после подгонки для точной модели регрессии Гауссова процесса |
resubLoss | Реституционные потери для обученной модели регрессии Гауссова процесса |
resubPredict | Предсказание реституции из обученной модели регрессии Гауссова процесса |
shapley | Значения Shapley |
RegressionGP | Класс регрессионной модели Гауссова процесса |
CompactRegressionGP | Компактный класс регрессионной модели Гауссова процесса |
Модели регрессии Гауссова процесса
Модели регрессии Гауссова процесса (GPR) являются непараметрическими основанными на ядре вероятностными моделями.
Опции функции ядра (ковариации)
В Гауссовых процессах ковариационная функция выражает ожидание, что точки с аналогичными значениями предиктора будут иметь сходные значения отклика.
Узнать оценку и предсказание параметра можно в точном методе GPR.
Подмножество приближения данных для моделей GPR
С большими наборами данных подмножество метода приближения данных может значительно сократить время, необходимое для обучения модели регрессии Гауссова процесса.
Подмножество приближения регрессоров для моделей GPR
Подмножество метода приближения регрессоров заменяет точную функцию ядра приближением.
Полностью независимое условное приближение для моделей GPR
Полностью независимое условное (FIC) приближение является способом систематического аппроксимации истинной функции ядра GPR таким образом, чтобы избежать задачи прогнозирующего отклонения SR приближения, сохраняя при этом действительный Гауссов процесс.
Блок Приближения координатного спуска для моделей GPR
Block coordinate descent приближения является еще одним приближением методом, используемым для сокращения времени расчета с большими наборами данных.
