Exponenta Banner

postFitStatistics

Класс: RegressionGP

Вычислите статистику после подгонки для точной модели регрессии Гауссова процесса

развернуть все на странице

Синтаксис

loores = postFitStatistics(gprMdl)
[loores,neff] = postFitStatistics(gprMdl)

Описание

loores = postFitStatistics(gprMdl) возвращает невязки, loores, для обученной модели регрессии Гауссова процесса (GPR).

[loores,neff] = postFitStatistics(gprMdl) также возвращает количество эффективных параметров, neff.

Входные параметры

расширить все

Гауссовская регрессионая модель процесса, заданная как RegressionGP объект.

Выходные аргументы

расширить все

Оставьте единичные невязки, возвращенные как n-на-1 матрица, где n количество наблюдений в обучающих данных.

Количество эффективных параметров, возвращаемое как n-на-1 матрица, где n - количество наблюдений в обучающих данных.

Примеры

расширить все

Открыть Live Script

Сгенерируйте выборочные данные. 

rng(0,'twister'); % For reproducibility
n = 1500;
x = linspace(-10,10,n)';
y = sin(3*x).*cos(3*x) + sin(2*x).*cos(2*x) + sin(x) + cos(x) + 0.2*randn(n,1);

Подгонка модели GPR с помощью точного метода для подбора кривой и предсказания. 

gprMdl = fitrgp(x,y,'Basis','linear','FitMethod','exact',...
'PredictMethod','exact','KernelFunction','matern52');

Вычислите невязки и эффективное количество параметров в обученной модели. 

[loores,neff] = postFitStatistics(gprMdl);

Спрогнозируйте ответы, используя обученную модель. 

ypred = resubPredict(gprMdl);

Постройте график истинных и предсказанных откликов и отобразите эффективное количество параметров в подгонке. 

figure()
plot(x,y,'r.');
hold on;
plot(x,ypred,'b'); 
xlabel('x');
ylabel('y');
legend('Data','GPR prediction','Location','Best');
title(['Effective number of parameters = ',num2str(neff)]);
hold off

Figure contains an axes. The axes with title Effective number of parameters = 94.7514 contains 2 objects of type line. These objects represent Data, GPR prediction.

Постройте график невязок. 

figure()
plot(x,loores,'r.-');
xlabel('x');
ylabel('leave-one-out residuals');

Figure contains an axes. The axes contains an object of type line.

Совет

  • Вычислять статистику после подгонки можно только при PredictMethod является 'exact'.

  • Если FitMethod является 'exact', затем postFitStatistics учитывает тот факт, что функциональные коэффициенты фиксированного базиса оцениваются из данных.

  • Если FitMethod отличается от 'exact', затем postFitStatistics обрабатывает коэффициенты фиксированного базиса функций как известные.

  • Для всех PredictMethod и FitMethod опции, postFitStatistics обрабатывает оцененные параметры ядра и стандартное отклонение шума, как известно.

См. также

|

Введенный в R2015b

Statistics and Machine Learning Toolbox документация

Поддержка