Гауссова регрессия процесса

Гауссовы модели регрессии процесса (кригинг)

Приложения

Regression LearnerОбучите модели регрессии предсказывать данные с помощью машинного обучения с учителем

Функции

fitrgpПодбирайте модель Gaussian process regression (GPR)
predictПредскажите ответ Гауссовой модели регрессии процесса
lossОшибка регрессии для Гауссовой модели регрессии процесса
compactУменьшайте размер модели машинного обучения
crossvalПерекрестный подтвердите модель машинного обучения
limeЛокальные поддающиеся толкованию объяснения модели агностические (LIME)
partialDependenceВычислите частичную зависимость
plotPartialDependenceСоздайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP)
postFitStatisticsВычислите постподходящую статистику для точной Гауссовой модели регрессии процесса
resubLossПотеря регрессии перезамены
resubPredictПредскажите ответы для обучающих данных с помощью обученной модели регрессии
shapleyШепли оценивает

Классы

RegressionGPГауссов класс модели регрессии процесса
CompactRegressionGPКомпактный Гауссов класс модели регрессии процесса

Темы

Гауссовы модели регрессии процесса

Модели гауссовой регрессии процесса (GPR) являются непараметрическими основанными на ядре вероятностными моделями.

Ядро (ковариация) опции функции

В Гауссовых процессах функция ковариации описывает ожидание, которое указывает с подобными значениями предиктора, будет иметь подобные значения отклика.

Точный метод GPR

Изучите оценку параметра и предсказание в точном методе GPR.

Подмножество приближения данных для моделей GPR

С большими наборами данных подмножество метода приближения данных может значительно уменьшать время, требуемое обучать Гауссову модель регрессии процесса.

Подмножество приближения регрессоров для моделей GPR

Подмножество метода приближения регрессоров заменяет точную функцию ядра приближением.

Полностью Независимое условное приближение для моделей GPR

Приближение полностью независимого условного выражения (FIC) является способом систематической аппроксимации истинной функции ядра GPR способом, которая избегает прогнозирующей проблемы отклонения приближения SR, все еще обеспечивая допустимый Гауссов процесс.

Блокируйте координатное приближение спуска для моделей GPR

Блокируйтесь координатное приближение спуска является другим методом приближения, используемым, чтобы уменьшать время вычисления с большими наборами данных.

Для просмотра документации необходимо авторизоваться на сайте