La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

Régression par processus gaussiens

R2026a

Modèles de régression par processus gaussiens (krigeage)

Les modèles de régression par processus gaussiens (GPR) sont des modèles probabilistes non paramétriques basés sur un noyau. Pour entraîner un modèle GPR de manière interactive, utilisez l’application Regression Learner. Pour plus de flexibilité, entraînez-le en utilisant la fonction fitrgp en ligne de commande. Après l’apprentissage, vous pouvez prédire les réponses pour de nouvelles données en passant le modèle et les nouvelles données prédictives à la fonction d’objet predict.

Applications

Regression Learner

Train regression models to predict data using supervised machine learning

Blocs

RegressionGP Predict

Predict responses using Gaussian process (GP) regression model (depuis R2022a)

Fonctions

développer tout

Créer un modèle ou un template de régression par processus gaussiens

`fitrgp`	Fit a Gaussian process regression (GPR) model
`compact`	Reduce size of machine learning model
`templateGP`	Gaussian process template (depuis R2023b)

Interpréter la prédiction

`lime`	Local interpretable model-agnostic explanations (LIME)
`partialDependence`	Compute partial dependence
`permutationImportance`	Predictor importance by permutation (depuis R2024a)
`plotPartialDependence`	Create partial dependence plot (PDP) and individual conditional expectation (ICE) plots
`shapley`	Shapley values

Effectuer une validation croisée

`crossval`	Cross-validate machine learning model
`kfoldLoss`	Loss for cross-validated partitioned regression model
`kfoldPredict`	Predict responses for observations in cross-validated regression model
`kfoldfun`	Cross-validate function for regression

Mesurer les performances

`loss`	Regression error for Gaussian process regression model
`resubLoss`	Resubstitution regression loss
`postFitStatistics`	Compute post-fit statistics for the exact Gaussian process regression model

Prédire les réponses

`predict`	Predict response of Gaussian process regression model
`resubPredict`	Predict responses for training data using trained regression model

Utiliser des chaînes de régression pour la régression multiréponse

`fitrchains`	Multiresponse regression with regression chains (depuis R2024b)
`compact`	Reduce size of multiresponse regression model (depuis R2024b)
`loss`	Loss for multiresponse regression model (depuis R2024b)
`predict`	Predict responses using multiresponse regression model (depuis R2024b)

Objets

`RegressionGP`	Gaussian process regression model
`CompactRegressionGP`	Compact Gaussian process regression model class
`RegressionPartitionedGP`	Cross-validated Gaussian process regression (GPR) model (depuis R2022b)
`RegressionChainEnsemble`	Multiresponse regression model (depuis R2024b)
`CompactRegressionChainEnsemble`	Compact multiresponse regression model (depuis R2024b)

Rubriques

Gaussian Process Regression Models
Gaussian process regression (GPR) models are nonparametric kernel-based probabilistic models.
Kernel (Covariance) Function Options
In Gaussian processes, the covariance function expresses the expectation that points with similar predictor values will have similar response values.
Exact GPR Method
Learn the parameter estimation and prediction in exact GPR method.
Subset of Data Approximation for GPR Models
With large data sets, the subset of data approximation method can greatly reduce the time required to train a Gaussian process regression model.
Subset of Regressors Approximation for GPR Models
The subset of regressors approximation method replaces the exact kernel function by an approximation.
Fully Independent Conditional Approximation for GPR Models
The fully independent conditional (FIC) approximation is a way of systematically approximating the true GPR kernel function in a way that avoids the predictive variance problem of the SR approximation while still maintaining a valid Gaussian process.
Block Coordinate Descent Approximation for GPR Models
Block coordinate descent approximation is another approximation method used to reduce computation time with large data sets.
Predict Responses Using RegressionGP Predict Block
Train a Gaussian process (GP) regression model, and then use the RegressionGP Predict block for response prediction.

Sélection d՚exemples

Predict Battery State of Charge Using Machine Learning

Train a Gaussian process regression model to predict the state of charge of a battery in automotive engineering.

Ouvrir le live script