高斯过程回归
高斯过程回归模型(克里格)
应用程序
| 回归的学习者 | 使用监督机器学习训练回归模型预测数据 |
功能
fitrgp |
符合高斯过程回归(GPR)模型 |
预测 |
高斯过程回归模型的预测反应 |
损失 |
回归误差为高斯过程回归模型 |
紧凑的 |
创建紧凑的高斯过程回归模型 |
crossval |
旨在高斯过程回归模型 |
plotPartialDependence |
创建部分依赖图(PDP)和个人条件期望(ICE)情节 |
postFitStatistics |
计算post-fit统计数据的高斯过程回归模型 |
resubLoss |
Resubstitution损失一个训练有素的高斯过程回归模型 |
resubPredict |
Resubstitution从一个训练有素的高斯过程回归模型预测 |
类
RegressionGP |
高斯过程回归模型类 |
CompactRegressionGP |
紧凑的高斯过程回归模型类 |
主题
高斯过程回归(GPR)模型是基于非参数的概率模型。
在高斯过程中,点的协方差函数表达了期望类似的预测价值将有类似的响应值。
学习准确的探地雷达方法的参数估计和预测。
大型数据集的子集的数据近似法可以大大减少所需的时间训练高斯过程回归模型。
解释变量的子集近似法取代的核函数的近似。
完全独立的条件(FIC)近似是一种系统地逼近真实的GPR核函数,避免了SR近似的预测方差问题,同时仍然维持一个有效的高斯过程。
块坐标下降近似是另一个近似方法减少计算时间和大型数据集。
