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

resubLoss

Clase: RegressionGP

Pérdida de reenvío para un modelo de regresión de proceso Gaussiano entrenado

Sintaxis

L = resubLoss(gprMdl)
L = resubLoss(gprMdl,Name,Value)

Descripción

L = resubLoss(gprMdl) Devuelve el error medio cuadrado de reenvío para el modelo de regresión del proceso Gaussiano (GPR).gprMdl

L = resubLoss(gprMdl,Name,Value) Devuelve la pérdida de reenvío para el modelo GPR, con opciones adicionales especificadas por uno o más argumentos de par.gprMdlName,Value Por ejemplo, puede especificar una función de pérdida personalizada o las ponderaciones de observación.

Argumentos de entrada

expandir todo

Modelo de regresión de proceso Gaussiano, especificado como un objeto.RegressionGP

Argumentos de par nombre-valor

Especifique pares de argumentos separados por comas opcionales. es el nombre del argumento y es el valor correspondiente. deben aparecer dentro de las cotizaciones.Name,ValueNameValueName Puede especificar varios argumentos de par de nombre y valor en cualquier orden como.Name1,Value1,...,NameN,ValueN

Función de pérdida para el modelo GPR entrenado, especificado como o un manejador de funciones. representa el error medio cuadrado.'mse''mse'

Si pasa un identificador de función, digamos, lo llama como:, Where,, y son vectores numéricos de longitud, y es el número de observaciones en los datos de entrenamiento. es la respuesta observada, es la respuesta pronosticada, y son los pesos de observación.funresubLossfun(Y,Ypred,W)YYpredWnnYYpredW

Ejemplo: llama a la función de pérdida.'lossfun',FctFct

Tipos de datos: char | string | function_handle

Ponderaciones de observación, especificadas como un vector de-por-1, donde es el número de observaciones en los datos de entrenamiento.nn Por defecto, el peso de cada observación es 1.

Tipos de datos: double | single

Argumentos de salida

expandir todo

Error de reenvío para el modelo GPR, devuelto como un valor escalar.

Ejemplos

expandir todo

Este ejemplo utiliza el conjunto de datos "Housing" del archivo de aprendizaje automático de UCI descrito en http://archive.ics.uci.edu/ml/datasets/Housing.[1][2] Descargue los datos y guárdela en su directorio actual como un archivo de datos llamado Housing. Data.

El conjunto de datos tiene 506 observaciones. Las primeras 13 columnas contienen los valores predictores y la última columna contiene los valores de respuesta. El objetivo es predecir el valor mediano de los hogares ocupados por el propietario en el área del suburbio de Boston como una función de 13 predictores.

Cargue los datos y defina el vector de respuesta y la matriz predictora.

load('housing.data'); X = housing(:,1:13); y = housing(:,end); 

Ajuste un modelo GPR utilizando un subconjunto de método de aproximación regresisors () con la función del kernel Matern 3/2 ().'sr''Matern32' Predecir el uso del método condicional () totalmente independiente.'fic'

gprMdl = fitrgp(X,y,'KernelFunction','Matern32',... 'FitMethod','sr','PredictMethod','fic');

Calcule las predicciones de reenvío.

ypred = resubPredict(gprMdl);

Trace los valores de respuesta previstos junto con los valores de respuesta reales.

plot(y,'r'); % Plot original response values hold on; plot(ypred,'b--'); % Plot predicted response values ylabel('y'); legend('Actual response','Predicted response','Location','SouthWest'); axis([0 510 -10 55]); hold off

Calcule la pérdida de reenvío.

L = resubLoss(gprMdl) 
L =      4.8478

Calcule manualmente la pérdida de regresión.

n = length(y); L = (y-ypred)'*(y-ypred)/n 
L =      4.8478

Cargue los datos de muestra y almacene en un.table

load fisheriris tbl = table(meas(:,1),meas(:,2),meas(:,3),meas(:,4),species,... 'VariableNames',{'meas1','meas2','meas3','meas4','species'});

Ajuste un modelo GPR utilizando la primera medida como la respuesta y las otras variables como los predictores.

mdl = fitrgp(tbl,'meas1');

Predecir las respuestas utilizando el modelo entrenado.

ypred = predict(mdl,tbl);

Calcule el error absoluto medio.

n = height(tbl); y = tbl.meas1; fun = @(y,ypred,w) sum(abs(y-ypred))/n; L = resubLoss(mdl,'lossfun',fun)
L = 0.2345 

Alternativas

Para calcular el error de regresión para los nuevos datos, utilice loss.

Referencias

[1] Harrison, D. and D.L., Rubinfeld. "Hedonic prices and the demand for clean air." J. Environ. Economics & Management. Vol.5, 1978, pp. 81-102.

[2] Lichman, M. UCI Machine Learning Repository, Irvine, CA: University of California, School of Information and Computer Science, 2013. http://archive.ics.uci.edu/ml.

Consulte también

| | |

Introducido en R2015b