Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

CompactRegressionGP

Paquete: classreg.learning.regr

Clase de modelo de regresión de proceso gaussiana compacta

Descripción

es un modelo de regresión de proceso Gaussiano (GPR) compacto.CompactRegressionGP El modelo compacto consume menos memoria que un modelo completo, ya que no incluye los datos utilizados para entrenar el modelo GPR.

Dado que el modelo compacto no incluye los datos de entrenamiento, no puede realizar algunas tareas, como la validación cruzada, mediante el modelo compacto. Sin embargo, puede utilizar el modelo compacto para realizar predicciones o calcular la pérdida de regresión para nuevos datos (utilice predict Y loss).

Construcción

compactMdl = compact(gprMdl) Devuelve un modelo GPR compacto, de un modelo GPR completo y entrenado,.compactMdlgprMdl Para obtener más información, consulte.compact

Argumentos de entrada

expandir todo

Modelo de regresión de proceso Gaussiano completo y entrenado, especificado como modelo, devuelto por.RegressionGPfitrgp

Propiedades

expandir todo

Guarnición

Método utilizado para estimar los coeficientes de la función base, β; desviación estándar de ruido, σ; y los parámetros del kernel, θ, del modelo GPR, almacenados como un vector de caracteres. Puede ser uno de los siguientes.

Método FITDescripción
'none'Sin estimación. utiliza los valores de parámetro iniciales como valores de parámetro.fitrgp
'exact'Regresión exacta del proceso Gaussiano.
'sd'Subconjunto de aproximación de puntos de datos.
'sr'Subconjunto de aproximación de regresores.
'fic'Aproximación condicional totalmente independiente.

Función de base explícita utilizada en el modelo GPR, almacenada como un vector de caracteres o un manejador de funciones. Puede ser uno de los siguientes. Si es el número de observaciones, la función base añade el términon H*β al modelo, donde H es la matriz de base y β es un vector de coeficientes base de-por-1.p

Base explícitaMatriz de base
'none'Matriz vacía.
'constant'

H=1

(-por-1 vector de 1s, donde está el número de observaciones)nn

'linear'

H=[1,X]

'pureQuadratic'

H=[1,X,X2],

Dónde

X2=[x112x122x1d2x212x222x2d2xn12xn22xnd2].

El manejador de funciones

Identificador de función, que llama como:hfcnfitrgp

H=hfcn(X),

donde es una-por-matriz de predictores y es una-por-matriz de funciones de base.XndHnp

Tipos de datos: char | function_handle

Índices predictores categóricos, especificados como un vector de enteros positivos. contiene valores de índice correspondientes a las columnas de los datos del predictor que contienen predictores categóricos.CategoricalPredictors Si ninguno de los predictores es categórico, entonces esta propiedad está vacía ().[]

Tipos de datos: single | double

Coeficientes estimados para las funciones de base explícita, almacenados como vector. Puede definir la función de base explícita mediante el argumento de par nombre-valor en.BasisFunctionfitrgp

Tipos de datos: double

Desviación estándar de ruido estimada del modelo GPR, almacenada como un valor escalar.

Tipos de datos: double

Parámetros utilizados para entrenar el modelo GPR, almacenado como objeto.GPParams

Función kernel

Forma de la función de covarianza utilizada en el modelo GPR, almacenada como un vector de caracteres que contiene el nombre de la función de covarianza incorporada o un manejador de funciones. Puede ser uno de los siguientes.

FunciónDescripción
'squaredexponential'Kernel exponencial cuadrado.
'matern32'Kernel de Matern con el parámetro 3/2.
'matern52'Kernel de Matern con el parámetro 5/2.
'ardsquaredexponential'Kernel exponencial cuadrado con una escala de longitud separada por predictor.
'ardmatern32'Kernel de Matern con el parámetro 3/2 y una escala de longitud separada por predictor.
'ardmatern52'Kernel de Matern con el parámetro 5/2 y una escala de longitud separada por predictor.
El manejador de funcionesUn manejador de funciones que puede llamar así: donde es una-por-matriz, es una-por-matriz y es una-por-matriz de productos del kernel tal que (,) es el producto del kernel entre (,:) y (,:). es el vector de parámetros sin restricciones-by-1 para.fitrgp
Kmn = kfcn(Xm,Xn,theta)
XmmdXnndKmnmnKmnijXmiXnj
thetarkfcn

Tipos de datos: char | function_handle

Información sobre los parámetros de la función del kernel utilizado en el modelo GPR, almacenado como una estructura con los siguientes campos.

Nombre de campoDescripción
NameNombre de la función del kernel
KernelParametersVector de los parámetros estimados del kernel
KernelParameterNamesNombres asociados con los elementos de.KernelParameters

Tipos de datos: struct

Predicción

Método que utiliza para realizar predicciones desde el modelo GPR, almacenado como un vector de caracteres.Predecir Puede ser uno de los siguientes.

PredictMethodDescripción
'exact'La regresión del proceso Gaussiano exacto
'bcd'Bloquear el descenso de coordenadas
'sd'Subconjunto de puntos de datos aproximación
'sr'Subconjunto de la aproximación de regresores
'fic'Aproximación condicional totalmente independiente

Ponderaciones utilizadas para realizar predicciones del modelo GPR entrenado, almacenadas como un vector numérico. calcula las predicciones para una nueva matriz predictora mediante el uso del productoPredecirXnew

K(Xnew,A)*α.

K(Xnew,A) es la matriz de productos del kernel entre Xnew y el vector de conjunto activo A y es un vector de pesos.α

Tipos de datos: double

Transformación aplicada a la respuesta pronosticada, almacenada como un vector de caracteres que describe cómo se transforman los valores de respuesta pronosticados por el modelo. En, es de forma predeterminada, y no se usa al realizar predicciones.RegressionGPResponseTransform'none'RegressionGPResponseTransform

Selección de conjunto activo

Subconjunto de datos de entrenamiento utilizados para realizar predicciones desde el modelo GPR, almacenados como una matriz.

calcula las predicciones para una nueva matriz predictora mediante el uso del productoPredecirXnew

K(Xnew,A)*α.

K(Xnew,A) es la matriz de productos del kernel entre Xnew y el vector de conjunto activo A y es un vector de pesos.α

es igual a los datos de entrenamiento para el accesorio GPR exacto y un subconjunto de los datos de entrenamiento para los métodos GPR dispersos.ActiveSetVectorsXX Cuando hay predictores categóricos en el modelo, contiene variables ficticias para los predictores correspondientes.ActiveSetVectors

Tipos de datos: double

Método utilizado para seleccionar el conjunto activo para los métodos dispersos (,, o), almacenado como un vector de caracteres.'sd''sr''fic' Puede ser uno de los siguientes.

ActiveSetMethodDescripción
'sgma'La aproximación de matriz expansiva dispersa
'entropy'Selección diferencial basada en la entropía
'likelihood'Subconjunto de regresores registra la selección basada en la verosimilitud
'random'Selección aleatoria

El conjunto activo seleccionado se utiliza en la estimación o predicción de parámetros, dependiendo de la elección de y en.FitMethodPredictMethodfitrgp

Tamaño del conjunto activo para los métodos dispersos (, o), almacenado como un valor entero.'sd''sr''fic'

Tipos de datos: double

Métodos

lossError de regresión para el modelo de regresión de proceso Gaussiano
predictPredecir la respuesta del modelo de regresión del proceso Gaussiano

Semántica de copia

Valor. Para saber cómo afectan las clases de valor a las operaciones de copia, consulte.Copiar objetos (MATLAB)

Capacidades ampliadas

Introducido en R2015b