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

Subconjunto de aproximación de datos para modelos GPR

La formación de un modelo GPR con el método exacto (cuando es) requiere la inversión de una-por-matriz.FitMethod'Exact'nn Por lo tanto, la complejidad computacional es O (* ^ 3), donde es el número de evaluaciones de función requeridas para estimarknk β, θY σ2, y es el número de observaciones.n Para grandes, la estimación de parámetros o predicciones de computación puede ser muy costosa.n

Una forma sencilla de resolver el problema de complejidad computacional con grandes conjuntos de datos es seleccionar < observaciones fuera de y luego aplicar a estos puntos para estimarmnnmodelo GPR exactom β, θY σ2 ignorando los otros puntos (–).nm Este subconjunto más pequeño se conoce como el.active set Y este método de aproximación se llama el subconjunto de datos (SD) método.

La complejidad computacional cuando se utiliza el método SD es O (^ 3), donde es el número de evaluaciones de función y es el tamaño del conjunto activo.kmkm Los requisitos de almacenamiento son O (^ 2) ya que solo una parte de la matriz de kernel completam K(X,X|θ) debe almacenarse en la memoria.

Puede especificar el método SD para la estimación de parámetros mediante el argumento de par nombre-valor en la llamada a.'FitMethod','sd'fitrgp Para especificar el método SD para la predicción, utilice el argumento de par nombre-valor.'PredictMethod','sd'

Para estimar los parámetros utilizando el modelo GPR exacto, consulte.estimación del parámetro utilizando el método GPR exacto Para realizar predicciones con el modelo GPR exacto, consulte.predicción utilizando el método GPR exacto

Consulte también

|

Temas relacionados