Предскажите ответ Гауссовой модели регрессии процесса
ypred = predict(gprMdl,Xnew)
[ypred,ysd,yint]
= predict(gprMdl,Xnew)
[ypred,ysd,yint]
= predict(gprMdl,Xnew,'Alpha',alpha)
ypred = predict(gprMdl,Xnew)ypred для модели Gaussian process regression (GPR) gprMdl и значения предиктора в Xnew.
[ также возвращает стандартные отклонения ypred,ysd,yint]
= predict(gprMdl,Xnew)ysd и 95% интервалов предсказания yint из переменной отклика, оцененной при каждом наблюдении в Xnew использование обученной модели GPR.
[ задает уровень значения для доверительного уровня интервалов предсказания ypred,ysd,yint]
= predict(gprMdl,Xnew,'Alpha',alpha)yint. Доверительный уровень yint равно 100(1 – Alpha)%.
Сгенерируйте выборочные данные.
n = 10000;
rng(1) % For reproducibility
x = linspace(0.5,2.5,n)';
y = sin(10*pi.*x) ./ (2.*x)+(x-1).^4 + 1.5*rand(n,1);Подбирайте модель GPR с помощью Matern 3/2 функция ядра с отдельной шкалой расстояний для каждого предиктора и активного размера набора 100. Используйте подмножество метода приближения регрессоров для оценки параметра и полностью независимого условного метода для предсказания.
gprMdl = fitrgp(x,y,'KernelFunction','ardmatern32', ... 'ActiveSetSize',100,'FitMethod','sr','PredictMethod','fic');
Вычислите предсказания.
[ypred,~,yci] = predict(gprMdl,x);
Отобразите данные на графике наряду с интервалами предсказания и предсказаниями.
plot(x,y,'r.') hold on plot(x,ypred,'b-') plot(x,yci(:,1),'k--') plot(x,yci(:,2),'k--') xlabel('x') ylabel('y') legend('True responses','GPR predictions', ... 'Prediction interval limits','Location','best')
Загрузите выборочные данные и хранилище в table.
load fisheriris tbl = table(meas(:,1),meas(:,2),meas(:,3),meas(:,4),species,... 'VariableNames',{'meas1','meas2','meas3','meas4','species'});
Подбирайте модель GPR с помощью первого измерения в качестве ответа и других переменных как предикторы.
mdl = fitrgp(tbl,'meas1');Вычислите предсказания и 99% доверительных интервалов.
[ypred,~,yci] = predict(mdl,tbl,'Alpha',0.01);Постройте истинный ответ и предсказания наряду с интервалами предсказания.
figure(); plot(mdl.Y,'r.'); hold on; plot(ypred); plot(yci(:,1),'k:'); plot(yci(:,2),'k:'); legend('True response','GPR predictions',... 'Lower prediction limit','Upper prediction limit',... 'Location','Best');
Загрузите выборочные данные.
load('gprdata.mat');Данные содержат обучение и тестовые данные. Существует 500 наблюдений в обучающих данных и 100 наблюдений в тестовых данных. Данные имеют 8 переменных предикторов. Это - симулированные данные.
Подбирайте модель GPR с помощью экспоненциальной функции ядра в квадрате с отдельной шкалой расстояний для каждого предиктора. Стандартизируйте предикторы в обучающих данных. Используйте точный подбор кривой и методы предсказания.
gprMdl = fitrgp(Xtrain,ytrain,'Basis','constant',... 'FitMethod','exact','PredictMethod','exact',... 'KernelFunction','ardsquaredexponential','Standardize',1);
Предскажите ответы для тестовых данных.
[ytestpred,~,ytestci] = predict(gprMdl,Xtest);
Постройте тестовый ответ наряду с предсказаниями.
figure; plot(ytest,'r'); hold on; plot(ytestpred,'b'); plot(ytestci(:,1),'k:'); plot(ytestci(:,2),'k:'); legend('Actual response','GPR predictions',... '95% lower','95% upper','Location','Best'); hold off
Можно выбрать метод предсказания в то время как обучение модель GPR с помощью PredictMethod аргумент пары "имя-значение" в fitrgp. Методом предсказания по умолчанию является 'exact' для n ≤ 10000, где n является количеством наблюдений в обучающих данных и 'bcd' (блокируйте координатный спуск), в противном случае.
Расчет стандартных отклонений, ysd, и интервалы предсказания, yint, не поддерживается когда PredictMethod 'bcd'.
Если gprMdl CompactRegressionGP объект, вы не можете вычислить стандартные отклонения, ysd, или интервалы предсказания, yint, для PredictMethod равняйтесь 'sr' или 'fic'. Вычислить ysd и yint для PredictMethod равняйтесь 'sr' или 'fic', используйте полную регрессию (RegressionGPобъект.
Можно использовать resubPredict вычислить предсказанные ответы для обученной модели GPR при наблюдениях в обучающих данных.
fitrgp | RegressionGP | CompactRegressionGP | compact | resubPredict | loss