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

resubPredict

Clase: RegressionGP

La predicción de reenvío de un modelo de regresión de proceso Gaussiano entrenado

Sintaxis

ypred = resubPredict(gprMdl)
[ypred,ysd] = resubPredict(gprMdl)
[ypred,ysd,yint] = predict(gprMdl)
[ypred,ysd,yint] = predict(gprMdl,Name,Value)

Descripción

ypred = resubPredict(gprMdl) Devuelve las respuestas previstas, para el modelo de regresión del proceso Gaussiano entrenado (GPR).ypredgprMdl

[ypred,ysd] = resubPredict(gprMdl) también devuelve las desviaciones estándar estimadas de las respuestas previstas correspondientes a las filas de.gprMdl.X

[ypred,ysd,yint] = predict(gprMdl) también devuelve los intervalos de predicción del 95%, para las respuestas verdaderas correspondientes a cada fila de datos de entrenamiento.yintgprMdl.X

[ypred,ysd,yint] = predict(gprMdl,Name,Value) Devuelve los intervalos de predicción con opciones adicionales, especificadas por uno o más argumentos de par.Name,Value Por ejemplo, puede especificar el nivel de confianza del intervalo de predicción.

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

Nivel de significancia para los intervalos de predicción, especificado como el par separado por comas que consta de y un valor escalar en el rango de 0 a 1.'Alpha'

Ejemplo: especifica 99% intervalos de predicción.'Alpha',0.01

Tipos de datos: single | double

Argumentos de salida

expandir todo

Los valores de respuesta previstos, devueltos como un vector-por-1, donde es el número de observaciones en los datos de entrenamiento.nn

Desviación estándar de los valores de respuesta pronosticados correspondientes a las filas de, devueltas como un vector-by-1. (), = 1, 2,...,, contiene la desviación estándar estimada de la nueva respuesta correspondiente a los valores predictores en elgprMdl.Xnysdiinith observación en los datos de formación.

Intervalos de predicción para los valores de respuesta verdaderos correspondientes a las filas de, devueltos como una matriz-por-2, donde es el número de observaciones en los datos de entrenamiento.gprMdl.Xnn La primera columna de contiene los límites inferiores y la segunda columna contiene los límites superiores de los intervalos de predicción.yint

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); 

Entrenar 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');

Predecir las respuestas utilizando el modelo GPR entrenado. Calcule los intervalos de predicción del 99%.

[ypred,~,yint] = resubPredict(gprMdl,'Alpha',0.01); 

Trace los valores de respuesta reales junto con las predicciones del modelo GPR.

figure; h1 = area([yint(:,1) yint(:,2)-yint(:,1)],-8,... 'FaceColor',[0.85,0.85,0.85],'EdgeColor',[0.85,0.85,0.85]); hold on; h1(1).FaceColor = 'none'; % remove color from bottom area h1(1).EdgeColor = 'none'; h2 = plot(y,'r'); % Plot original response values h3 = plot(ypred,'b--'); % Plot predicted response values legend([h2 h3 h1(2)],'Actual response','Predicted response',... 'Prediction intervals','Location','South'); axis([0 510 -7 65]); hold off

El área gris muestra los intervalos de predicción del 99%.

Sugerencias

  • Puede elegir el método de predicción mientras entrena el modelo GPR utilizando el argumento de par nombre-valor en.PredictMethodfitrgp El método de predicción predeterminado es para ≤ 10000, donde está el número de observaciones en los datos de entrenamiento y (descenso de coordenadas de bloque), de lo contrario.'exact'nn'bcd'

  • No se admite el cálculo de desviaciones estándar, y los intervalos de predicción, cuando es.ysdyintPredictMethod'bcd'

Alternativas

Para calcular las respuestas previstas para los nuevos datos, utilice predict.

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