crossval

Класс: RegressionGP

Перекрестная валидация модели регрессии Гауссова процесса

развернуть все на странице

Синтаксис

cvMdl = crossval(gprMdl)
cvmdl = crossval(gprMdl,Name,Value)

Описание

cvMdl = crossval(gprMdl) возвращает секционированную модель, cvMdl, созданный из модели регрессии Гауссова процесса (GPR), gprMdl, с использованием 10-кратной перекрестной валидации.

cvmdl является RegressionPartitionedModel объект, и gprMdl является RegressionGP (полный) объект.

cvmdl = crossval(gprMdl,Name,Value) возвращает секционированную модель, cvmdl, с дополнительными опциями, заданными одним или несколькими Name,Value аргументы в виде пар. Для примера можно задать количество складок или долю данных, которые будут использоваться для проверки.

Входные параметры

расширить все

Гауссовская регрессионая модель процесса, заданная как RegressionGP (полный) объект. Вы не можете вызвать crossval на сжатом объекте регрессии.

Аргументы в виде пар имя-значение

Задайте необязательные разделенные разделенными запятой парами Name,Value аргументы. Name - имя аргумента и Value - соответствующее значение. Name должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN.

Случайный раздел для кросс-валидации k-fold, заданный как разделенная разделенными запятой парами, состоящая из 'CVPartition' и a cvpartition объект.

Пример: 'CVPartition',cvp использует случайный раздел, заданный как cvp.

Если вы задаете CVPartition, тогда вы не можете задать Holdout, KFold, или LeaveOut.

Доля данных, используемых для проверки при валидации отключения, заданная как разделенная разделенными запятой парами, состоящая из 'Holdout' и скалярное значение в области значений от 0 до 1. Если вы задаете 'Holdout',p, затем crossval:
1. Случайным образом резервирует p * 100% данных как данные валидации и обучает модель, используя остальную часть данных
2. Хранит компактную, обученную модель в cvgprMdl.Trained.

Пример: 'Holdout', 0.3 использует 30% данных для проверки и 70% данных для обучения.

Если вы задаете Holdout, тогда вы не можете задать CVPartition, KFold, или Leaveout.

Типы данных: single | double

Количество складок для использования в перекрестно проверенной модели GPR, заданное как разделенная разделенными запятой парами, состоящая из 'KFold' и положительное целое значение, больше 1. Kfold должно быть больше 1. Если вы задаете 'Kfold',k затем crossval:
1. Случайным образом разделяет данные на k набора.
2. Для каждого набора резервирует набор как тестовые данные и обучает модель, используя другой k - 1 набор.
3. Хранит k компактные обученные модели в камерах массива ячеек k-на-1 в cvgprMdl.Trained.

Пример: 'KFold',5 использует 5 складок в перекрестной проверке. То есть для каждой складки он использует эту складку в качестве тестовых данных и обучает модель на остальных 4 складках.

Если вы задаете KFold, тогда вы не можете задать CVPartition, Holdout, или Leaveout.

Типы данных: single | double

Индикатор для кросс-валидации с одним выходом, заданный как разделенная разделенными запятой парами, состоящая из 'LeaveOut' и любой из них 'on' или 'off'. Если вы задаете 'Leaveout','on'затем для каждого из n наблюдений crossval:
1. Резервирует наблюдение как тестовые данные и обучает модель, используя другие n - 1 наблюдения.
2. Хранит n компактные обученные модели в камерах массива ячеек n-на-1 в cvgprMdl.Trained.

Пример: 'Leaveout','on'

Если вы задаете Leaveout, тогда вы не можете задать CVPartition, Holdout, или KFold.

Выходные аргументы

расширить все

Секционированная регрессионая модель Гауссова процесса, возвращенная как RegressionPartitionedModel объект.

Примеры

расширить все

Загрузите данные корпуса [1] из репозитория машинного обучения UCI [4].

Набор данных имеет 506 наблюдений. Первые 13 столбцов содержат значения предиктора, а последний - значения отклика. Цель состоит в том, чтобы предсказать медианное значение домов, занятых владельцами в пригородном Бостоне, как функцию 13 предикторов.

Загрузите данные и задайте вектор отклика и матрицу предиктора.

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

Подгонка модели GPR с использованием квадратной экспоненциальной функции ядра с отдельной шкалой длины для каждого предиктора. Стандартизируйте переменные предиктора.

gprMdl = fitrgp(X,y,'KernelFunction','ardsquaredexponential','Standardize',1);

Создайте раздел перекрестной проверки для данных, используя предиктор 4 в качестве сгруппированной переменной.

rng('default') % For reproducibility
cvp = cvpartition(X(:,4),'kfold',10);

Создайте 10-кратную перекрестную модель с использованием секционированных данных в cvp.

cvgprMdl = crossval(gprMdl,'CVPartition',cvp);

Вычислите регрессионые потери для кратных наблюдений с помощью моделей, обученных для несовпадающих наблюдений.

L = kfoldLoss(cvgprMdl)

L =

    9.5299

Предсказать ответ для кратных наблюдений, то есть наблюдений, не используемых для обучения.

ypred = kfoldPredict(cvgprMdl);

Для каждой складки, kfoldPredict предсказывает ответы на наблюдения в этой складке, используя модели, настроенные на несвойственных наблюдениях.

Постройте график фактических откликов и данных предсказания.

plot(y,'r.');
hold on;
plot(ypred,'b--.');
axis([0 510 -15 65]);
legend('True response','GPR prediction','Location','Best');
hold off;

Загрузите данные abalone [2], [3] из репозитория машинного обучения UCI [4] и сохраните их в текущей директории с именем abalone.data.

Считайте данные в table.

tbl = readtable('abalone.data','Filetype','text','ReadVariableNames',false);

Набор данных имеет 4177 наблюдений. Цель состоит в том, чтобы предсказать возраст абалона из 8 физических измерений.

Подгонка модели GPR с использованием подмножества регрессоров (sr) метод для оценки параметра и полностью независимый условный (fic) метод для предсказания. Стандартизируйте предикторы и используйте квадратную экспоненциальную функцию ядра с отдельной шкалой длины для каждого предиктора.

gprMdl = fitrgp(tbl,tbl(:,end),'KernelFunction','ardsquaredexponential',...
      'FitMethod','sr','PredictMethod','fic','Standardize',1);

Перекрестная валидация модели с помощью 4-кратной перекрестной валидации. Это разделяет данные на 4 набора. Для каждого набора, fitrgp использует этот набор (25% данных) в качестве тестовых данных и обучает модель на остальных 3 наборах (75% данных).

rng('default') % For reproducibility
cvgprMdl = crossval(gprMdl,'KFold',4);

Вычислите потери по отдельным складкам.

L = kfoldLoss(cvgprMdl,'mode','individual')

L =

    4.3669
    4.6896
    4.0565
    4.3162

Вычислите средние кросс-проверенные потери по всем складкам. По умолчанию это средняя квадратичная невязка.

L2 = kfoldLoss(cvgprMdl)

L2 =

    4.3573

Это равно средней потере по отдельным складкам.

mse = mean(L)

mse =

    4.3573

Совет

  • Одновременно можно использовать только один из аргументов пары "имя-значение".

  • Вы не можете вычислить интервалы предсказания для перекрестно проверенной модели.

Альтернативы

Кроме того, можно обучить перекрестно проверенную модель, используя связанные аргументы пары "имя-значение" в fitrgp.

Если вы поставляете пользовательский 'ActiveSet' в вызове на fitrgp, тогда вы не можете пересечь проверку модели GPR.

Ссылки

[1] Харрисон, Д. и Д. Л., Рубинфельд. «Гедонические цены и спрос на чистый воздух». Дж. Энвирон. Экономика и менеджмент. Vol.5, 1978, с. 81-102.

[2] Нэш, У. Дж., Т. Л. Селлерс, С. Р. Тальбот, А. Дж. Коуторн и У. Б. Форд. "Популяционная биология Абалоне (виды Haliotis) в Тасмании. I. Blacklip Abalone (H. rubra) с Северного побережья и островов пролива Басс ". Деление морского рыболовства, технический доклад № 48, 1994 год.

[3] Waugh, S. «Extending and Benchmarking Cascade-Correlation: Extensions to the Cascade-Correlation Architecture and Benchmarking of Feed-Forward Supervied Neural Networds». Тасманийский университет, кафедра компьютерных наук, 1995 год.

[4] Лихман, M. UCI Machine Learning Repository, Irvine, CA: University of California, School of Information and Computer Science, 2013. http://archive.ics.uci.edu/ml.

См. также

| | | |

Темы

Введенный в R2015b

Statistics and Machine Learning Toolbox документация

Поддержка

Для просмотра документации необходимо авторизоваться на сайте