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

RegressionGP clase

Superclases: CompactRegressionGP

Clase de modelo de regresión de proceso Gaussiano

Descripción

es un modelo de regresión de proceso Gaussiano (GPR).RegressionGP Puede entrenar un modelo GPR, usando.fitrgp Con el modelo entrenado, puede

  • Predecir las respuestas para los datos de entrenamiento utilizando o nuevos Datos predictores utilizando.resubPredictPredecir También puede calcular los intervalos de predicción.

  • Calcule la pérdida de regresión para los datos de entrenamiento utilizando o utilizando nuevos datos.resubLossloss

Construcción

Cree un objeto mediante.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

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

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

Descripción de la optimización de validación cruzada de los hiperparámetros, especificada como un objeto o una tabla de hiperparámetros y valores asociados.BayesianOptimization Esta propiedad no está vacía si el argumento de par nombre-valor no está vacío al crear el modelo.'OptimizeHyperparameters' El valor de depende de la configuración del campo en la estructura cuando se crea el modelo, como se describe en esta tabla.HyperparameterOptimizationResultsOptimizerHyperparameterOptimizationOptions

Valor de campoOptimizerValor deHyperparameterOptimizationResults
predeterminado'bayesopt'Objeto de claseBayesianOptimization
O'gridsearch''randomsearch'Tabla de hiperparámetros utilizados, valores de función objetiva observados (pérdida de validación cruzada) y rango de observaciones de menor (mejor) a mayor (peor)

La probabilidad de registro marginal maximizada del modelo GPR, almacenada como un valor escalar si es diferente de.FitMethod'none' Si es, entonces está vacío.FitMethod'none'LogLikelihood

Si es, o, a continuación, es la aproximación maximizada de la probabilidad logaritmo marginal del modelo GPR.FitMethod'sd''sr''fic'LogLikelihood

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

Información sobre el cálculo basado en el descenso de coordenadas de bloque (BCD) de cuando se almacena como una estructura que contiene los siguientes campos.AlphaPredictMethod'bcd'

Nombre de campoDescripción
Gradient-por-1 vector que contiene el degradado de la función de objetivo BCD en la convergencia.n
ObjectiveEscalar que contiene la función de objetivo BCD en la convergencia.
SelectionCounts-por-1 vector entero que indica el número de veces que cada punto fue seleccionado en un bloque durante BCD.n

propiedad contiene el vector calculado a partir de BCD.AlphaAlpha

Si no es así, entonces está vacío.PredictMethod'bcd'BCDInformation

Tipos de datos: struct

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

Historial de igual a, o, almacenado como una estructura con los siguientes campos.selección de conjunto activo intercalado y estimación de parámetrosFitMethod'sd''sr''fic'

Nombre de campoDescripción
ParameterVectorMatriz de celdas que contiene los vectores de parámetro: coeficientes de función de base, parámetros de función del kernel y desviación estándar de ruido.βθσ
ActiveSetIndicesMatriz de celdas que contiene los índices de conjunto activos.
LoglikelihoodVector que contiene el las probabilidades de registro maximizado.
CriterionProfileMatriz de celdas que contiene los valores del criterio de selección de conjunto activo como el conjunto activo crece desde el tamaño 0 hasta su tamaño final.

Tipos de datos: struct

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

Indicadores para el conjunto activo seleccionado para realizar predicciones desde el modelo GPR entrenado, almacenado como un vector lógico. Estos indicadores marcan el subconjunto de datos de entrenamiento que selecciona como el conjunto activo.fitrgp Por ejemplo, si son los datos de entrenamiento originales, entonces.XActiveSetVectors = X(IsActiveSetVector,:)

Tipos de datos: logical

Datos de entrenamiento

Número de observaciones en los datos de entrenamiento, almacenados como un valor escalar.

Tipos de datos: double

Datos de entrenamiento, almacenados como una-por-tabla o matriz, donde es el número de observaciones y es el número de variables predictoras (columnas) en los datos de entrenamiento.ndnd Si el modelo GPR está entrenado en una tabla, entonces es una tabla.X De lo contrario, es una matriz.X

Tipos de datos: double | table

Valores de respuesta observados utilizados para entrenar el modelo GPR, almacenado como un vector-por-1, donde es el número de observaciones.nn

Tipos de datos: double

Los nombres de los predictores utilizados en el modelo GPR, almacenados como una matriz de vectores de caracteres de celda. Cada nombre (celda) corresponde a una columna en.X

Tipos de datos: cell

Nombres de los predictores ampliados para el modelo GPR, almacenados como una matriz de vectores de caracteres de celda. Cada nombre (celda) corresponde a una columna en.ActiveSetVectors

Si el modelo utiliza variables ficticias para las variables categóricas, incluye los nombres que describen las variables expandidas.ExpandedPredictorNames De lo contrario, es el mismo que.ExpandedPredictorNamesPredictorNames

Tipos de datos: cell

Nombre de la variable de respuesta en el modelo GPR, almacenada como un vector de caracteres.

Tipos de datos: char

Medios de predictores utilizados para entrenar el modelo GPR si los datos de entrenamiento están estandarizados, almacenados como 1 por vector.d Si los datos de entrenamiento no están estandarizados, está vacío.PredictorLocation

Si no está vacío, entonces elPredictorLocation predict método centra los valores predictores restando el elemento respectivo de cada columna de.PredictorLocationX

Si hay predictores categóricos, entonces incluye un 0 para cada variable ficticia correspondiente a esos predictores.PredictorLocation Las variables ficticias no se centran ni se escalan.

Tipos de datos: double

Desviaciones estándar de los predictores utilizados para entrenar el modelo GPR si los datos de entrenamiento están estandarizados, almacenados como 1 por vector.d Si los datos de entrenamiento no están estandarizados, está vacío.PredictorScale

Si no está vacío, elPredictorScale predict método escala los predictores dividiendo cada columna de por el elemento respectivo de (después de centrar utilizando).XPredictorScalePredictorLocation

Si hay predictores categóricos, entonces incluye un 1 para cada variable ficticia correspondiente a esos predictores.PredictorLocation Las variables ficticias no se centran ni se escalan.

Tipos de datos: double

Indicadores para las filas utilizadas en la formación del modelo GPR, almacenadas como vector lógico. Si todas las filas se utilizan en el entrenamiento del modelo, entonces está vacía.RowsUsed

Tipos de datos: logical

Métodos

compactCree un modelo de regresión de proceso Gaussiano compacto
crossvalValidar en cruz el modelo de regresión de proceso Gaussiano
postFitStatisticsCalcule las estadísticas posteriores al ajuste del modelo de regresión del proceso Gaussiano exacto
resubLossPérdida de reenvío para un modelo de regresión de proceso Gaussiano entrenado
resubPredictLa predicción de reenvío de un modelo de regresión de proceso Gaussiano entrenado

Métodos heredados

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

Más acerca de

expandir todo

Sugerencias

  • Puede acceder a las propiedades de esta clase utilizando la notación de puntos. Por ejemplo, es una estructura que mantiene los parámetros del kernel y sus nombres.KernelInformation Por lo tanto, para acceder a los parámetros de la función del kernel del modelo entrenado, utilice.gprMdlgprMdl.KernelInformation.KernelParameters

Capacidades ampliadas

Introducido en R2015b