Суперклассы: CompactRegressionGP
Класс регрессионной модели Гауссова процесса
RegressionGP
является Гауссовой моделью регрессии процесса (GPR). Можно обучить модель GPR, используя fitrgp
. Используя обученную модель, вы можете
Спрогнозируйте ответы для обучающих данных, используя resubPredict
или новые данные предиктора с помощью predict
. Можно также вычислить интервалы предсказания.
Вычислите потери регрессии для обучающих данных с помощью resubLoss
или новые данные с помощью loss
.
Создайте RegressionGP
объект при помощи fitrgp
.
FitMethod
- Метод, используемый для оценки параметров'none'
| 'exact'
| 'sd'
| 'sr'
| 'fic'
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 подгонки | Описание |
---|---|
'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. |
BasisFunction
- Явная функция базиса'none'
| 'constant'
| 'linear'
| 'pureQuadratic'
| указатель на функциюЯвная 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 базис | Матрица базиса |
---|---|
'none' | Пустая матрица. |
'constant' |
(n - на 1 вектор 1с, где n - количество наблюдений) |
'linear' |
|
'pureQuadratic' |
где |
Указатель на функцию | Указатель на функцию, где |
Типы данных: char
| function_handle
Beta
- Оценочные коэффициентыПредполагаемые 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
Sigma
- Расчетное стандартное отклонение шумаПредполагаемое шумовое стандартное отклонение модели GPR, сохраненное в виде скалярного значения.
Типы данных: double
CategoricalPredictors
- Индексы категориальных предикторовКатегориальные 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
HyperparameterOptimizationResults
- Оптимизация гиперпараметров перекрестной валидацииBayesianOptimization
таблица | объектаЭто свойство доступно только для чтения.
Оптимизация гиперпараметров перекрестной валидации, заданная как BayesianOptimization
объект или таблица гиперпараметров и связанных значений. Это свойство непусто, если 'OptimizeHyperparameters'
аргумент пары "имя-значение" не пуст при создании модели. Значение HyperparameterOptimizationResults
зависит от настройки Optimizer
поле в HyperparameterOptimizationOptions
структура при создании модели.
Значение Optimizer Область | Значение HyperparameterOptimizationResults |
---|---|
'bayesopt' (по умолчанию) | Объект BayesianOptimization классов |
'gridsearch' или 'randomsearch' | Таблица используемых гиперпараметров, наблюдаемых значений целевой функции (потери перекрестной валидации) и ранг наблюдений от самого низкого (лучшего) до самого высокого (худшего) |
LogLikelihood
- Максимальная вероятность маргинального журнала[]
Максимизированный предельный журнал вероятность модели GPR, сохраненная в виде скалярного значения, если FitMethod
отличается от 'none'
. Если FitMethod
является 'none'
, затем LogLikelihood
пуст.
Если FitMethod
является 'sd'
, 'sr'
, или 'fic'
, затем LogLikelihood
является максимальным приближением предельного журнала вероятности модели GPR.
Типы данных: double
ModelParameters
- Параметры, используемые для обучения GPParams
объектПараметры, используемые для настройки модели GPR, хранятся как GPParams
объект.
KernelFunction
- Форма ковариационной функции'squaredExponential'
| 'matern32'
| 'matern52'
| 'ardsquaredexponential'
| 'ardmatern32'
| 'ardmatern52'
| указатель на функциюФорма 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.
Функция | Описание |
---|---|
'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 функцию | Указатель 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
KernelInformation
- Информация о параметрах функции ядраИнформация о параметрах функции ядра, используемой в модели GPR, хранится как структура со следующими полями.
Имя поля | Описание |
---|---|
Name | Имя функции ядра |
KernelParameters | Вектор предполагаемых параметров ядра |
KernelParameterNames | Имена, связанные с элементами KernelParameters . |
Типы данных: struct
PredictMethod
- Метод, используемый для прогнозирования'exact'
| 'bcd'
| 'sd'
| 'sr'
| 'fic'
Метод, который predict
использует, чтобы делать предсказания из модели GPR, сохраненные в виде вектора символов. Это может быть одно из следующего.
PredictMethod | Описание |
---|---|
'exact' | Точная регрессия Гауссова процесса |
'bcd' | Блок Координатный Спуск |
'sd' | Подмножество точек данных приближений |
'sr' | Подмножество приближения регрессоров |
'fic' | Полностью независимое условное приближение |
Alpha
- Веса Веса, используемые для предсказаний из обученной модели GPR, сохраненные в виде числового вектора. predict
вычисляет предсказания для новой матрицы предиктора Xnew
при помощи продукта
- матрица продуктов ядра между и активный вектор A и α является вектором весов.
Типы данных: double
BCDInformation
- Информация об основанных на BCD расчетах Alpha
[]
Информация о блоке координатном спуске (BCD) - на расчет Alpha
когда PredictMethod
является 'bcd'
, хранится как структура, содержащая следующие поля.
Имя поля | Описание |
---|---|
Gradient | n вектор -by-1, содержащий градиент целевой функции BCD при сходимости. |
Objective | Скаляр, содержащий целевую функцию BCD при сходимости. |
SelectionCounts | n -by-1 целочисленный вектор, указывающий количество раз, когда каждая точка была выбрана в блок во время BCD. |
Alpha
свойство содержит Alpha
вектор, вычисленный из BCD.
Если PredictMethod
не 'bcd'
, затем BCDInformation
пуст.
Типы данных: struct
ResponseTransform
- Преобразование, применяемое к предсказанной реакции'none'
(по умолчанию)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.
ActiveSetVectors
- Подмножество обучающих данныхПодмножество обучающих данных, используемых для составления предсказаний из модели GPR, хранится в виде матрицы.
predict
вычисляет предсказания для новой матрицы предиктора Xnew
при помощи продукта
- матрица продуктов ядра между 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
ActiveSetHistory
- История выбора активного набора и оценки параметраИстория выбора чередующегося активного набора и оценки параметра для FitMethod
равно 'sd'
, 'sr'
, или 'fic'
, хранится как структура со следующими полями.
Имя поля | Описание |
---|---|
ParameterVector | Массив ячеек, содержащий векторы параметров: коэффициенты базисной функции, β, параметры функции ядра θ и σ стандартного отклонения шума. |
ActiveSetIndices | Массив ячеек, содержащий индексы активного набора. |
Loglikelihood | Вектор, содержащий максимальные журналы вероятности. |
CriterionProfile | Массив ячеек, содержащий значения критериев выбора активного набора, когда активный набор увеличивается с размера 0 до его конечного размера. |
Типы данных: struct
ActiveSetMethod
- Метод, используемый для выбора активного набора'sgma'
| 'entropy'
| 'likelihood'
| 'random'
Метод, используемый для выбора активного набора для разреженных методов ('sd'
, 'sr'
, или 'fic'
), сохраненный как вектор символов. Это может быть одно из следующего.
ActiveSetMethod | Описание |
---|---|
'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
.
ActiveSetSize
- Размер активного набораРазмер активного набора для разреженных методов ('sd'
, 'sr'
, или 'fic'
), сохраненный в виде целого значения.
Типы данных: double
IsActiveSetVector
- Индикаторы для выбранного активного набораИндикаторы для выбранного активного набора для создания предсказаний из обученной модели GPR, сохраненные как логический вектор. Эти индикаторы помечают подмножество обучающих данных, которые fitrgp
выбирает в качестве активного набора. Для примера, если X
- исходные обучающие данные, затем ActiveSetVectors = X(IsActiveSetVector,:)
.
Типы данных: logical
NumObservations
- Количество наблюдений в обучающих данныхКоличество наблюдений в обучающих данных, сохраненных в виде скалярного значения.
Типы данных: double
X
- Обучающие данныеОбучающие данные, сохраненные как n -by d таблица или матрица, где n - количество наблюдений, а d - количество переменных предиктора (столбцов) в обучающих данных. Если модель GPR обучается на таблице, то X
является таблицей. В противном случае X
является матрицей.
Типы данных: double
| table
Y
- Наблюдаемые значения откликаНаблюдаемые значения отклика, используемые для обучения модели GPR, сохраняются как вектор n -by-1, где n количество наблюдений.
Типы данных: double
PredictorNames
- Имена предикторовИмена предикторов, используемых в модели GPR, хранятся как массив ячеек из векторов символов. Каждое имя (камера) соответствует столбцу в X
.
Типы данных: cell
ExpandedPredictorNames
- Имена расширенных предикторовИмена расширенных предикторов для модели GPR, сохраненные как массив ячеек из векторов символов. Каждое имя (камера) соответствует столбцу в ActiveSetVectors
.
Если модель использует фиктивные переменные для категориальных переменных, то ExpandedPredictorNames
включает имена, которые описывают расширенные переменные. В противном случае ExpandedPredictorNames
то же, что и PredictorNames
.
Типы данных: cell
ResponseName
- Имя переменной откликаИмя переменной отклика в модели GPR, сохраненное как вектор символов.
Типы данных: char
PredictorLocation
- Средства предикторов[]
Средства предикторов, используемые для настройки модели GPR, если обучающие данные стандартизированы, хранятся как вектор с 1 байт d. Если обучающие данные не стандартизированы, PredictorLocation
пуст.
Если PredictorLocation
не пуст, тогда predict
метод центрирует значения предиктора путем вычитания соответствующего элемента PredictorLocation
из каждого столбца X
.
Если есть категориальные предикторы, то PredictorLocation
включает 0 для каждой фиктивной переменной, соответствующей этим предикторам. Фиктивные переменные не центрируются и не масштабируются.
Типы данных: double
PredictorScale
- Стандартные отклонения предикторов[]
Стандартные отклонения предикторов, используемых для настройки модели GPR, если обучающие данные стандартизированы, хранятся в виде вектора 1 байт- d. Если обучающие данные не стандартизированы, PredictorScale
пуст.
Если PredictorScale
не пуст, predict
метод масштабирует предикторы путем деления каждого столбца X
соответствующим элементом PredictorScale
(после центрирования с помощью PredictorLocation
).
Если есть категориальные предикторы, то PredictorLocation
включает 1 для каждой фиктивной переменной, соответствующей этим предикторам. Фиктивные переменные не центрируются и не масштабируются.
Типы данных: double
RowsUsed
- Индикаторы для строк, используемых в обучении[]
Индикаторы для строк, используемых при обучении модели GPR, хранятся как логический вектор. Если все строки используются в обучении модели, то RowsUsed
пуст.
Типы данных: logical
compact | Создайте компактную модель регрессии Гауссова процесса |
crossval | Перекрестная валидация модели регрессии Гауссова процесса |
lime | Локальные интерпретируемые модели-агностические объяснения (LIME) |
loss | Регрессионная ошибка для модели регрессии Гауссова процесса |
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 |
predict | Предсказать ответ 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 |
Для подмножества данных, подмножества регрессоров или полностью независимых методов условного приближения (FitMethod
равно 'sd'
, 'sr'
, или 'fic'
), если вы не предоставляете активный набор, fitrgp
выбирает активный набор и вычисляет оценки параметров в серии итераций.
В первой итерации программа использует начальные значения параметров в векторе η 0 = [β 0, σ 0, θ 0], чтобы выбрать активный A1 набора. Это максимизирует крайнюю вероятность журнала GPR или ее приближение, используя η0 как начальные значения и A1, чтобы вычислить новые оценки параметра η1. Затем, это вычисляет новую вероятность <reservedrangesplaceholder0> 1 журнала, используя η1 и A1.
Во второй итерации программное обеспечение выбирает активный набор A2 используя значения параметров в Затем, используя, в качестве начальных значений и A2, и максимизирует предельную вероятность журнала GPR или ее приближения и оценивает новые значения параметров Затем с помощью, и A2, вычисляет новое значение правдоподобия журнала L 2.
В следующей таблице суммированы итерации и то, что вычисляется при каждой итерации.
Число итерации | Активный набор | Вектор параметра | Журнал вероятностей |
---|---|---|---|
1 | A1 | η1 | <reservedrangesplaceholder0> 1 |
2 | A2 | η2 | <reservedrangesplaceholder0> 2 |
3 | A3 | η3 | <reservedrangesplaceholder0> 3 |
… | … | … | … |
Программа аналогично итератируется для заданного количества повторений. Количество репликаций для выбора активного набора можно задать с помощью NumActiveSetRepeats
аргумент пары "имя-значение".
Вы можете получить доступ к свойствам этого класса с помощью записи через точку. Для примера, KernelInformation
- структура, содержащая параметры ядра и их имена. Следовательно, для доступа к параметрам функции ядра обученной модели gprMdl
, использовать gprMdl.KernelInformation.KernelParameters
.
Указания и ограничения по применению:
The predict
функция поддерживает генерацию кода.
Для получения дополнительной информации смотрите Введение в генерацию кода.
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.