Документация

Подмножество приближения данных для моделей GPR

Обучение модель GPR с точным методом (когда FitMethod 'Exact') требует инверсии n-by-n матрица. Поэтому вычислительная сложность является O (k n³), где k является количеством вычислений функции, требуемых для оценки $$\beta$$, $$\theta$$, и $${\sigma }^2$$, и n является количеством наблюдений. Для большого n оценка параметров или вычислительных предсказаний может быть очень дорогой.

Один простой способ решить вычислительную задачу сложности с большими наборами данных состоит в том, чтобы выбрать m <наблюдения n из n и затем применить точную модель GPR к этим, m указывает на оценку $$\beta$$, $$\theta$$, и $${\sigma }^2$$ при игнорировании другого (n – m) точки. Это меньшее подмножество известно как активный набор или стимулирование входного набора. И этот метод приближения называется Подмножеством Данных (SD) метод.

Вычислительная сложность при использовании метода SD является O (k m³), где k является количеством вычислений функции, и m является активным размером набора. Требования устройства хранения данных являются O (m²) только начиная с части полной матрицы ядра $$K\left(X,X|\theta \right)$$ потребности храниться в памяти.

Можно задать метод SD для оценки параметра при помощи 'FitMethod','sd' аргумент пары "имя-значение" в вызове fitrgp. Чтобы задать метод SD для предсказания, используйте 'PredictMethod','sd' аргумент пары "имя-значение".

Для оценки параметров с помощью точной модели GPR смотрите, что оценка параметра использует точный метод GPR. Для того, чтобы сделать предсказания с помощью точной модели GPR, см., что предсказание использует точный метод GPR.

Смотрите также

fitrgp | predict

Похожие темы

• Гауссовы модели регрессии процесса
• Точный метод GPR
• Подмножество приближения регрессоров для моделей GPR
• Полностью Независимое условное приближение для моделей GPR
• Блокируйте координатное приближение спуска для моделей GPR