"GaussianProcess" (機械学習メソッド)

詳細とサブオプション

  • "GaussianProcess"メソッドは，モデル化する関数がガウス過程から生成されたと仮定する．ガウス過程は，その（カーネルとも呼ばれる）共分散関数によって定義される．このメソッドは，訓練段階で，共分散関数のパラメータを推定する．次に，ガウス過程が訓練データについて条件付けられ，ベイズ推論を使った新たな例の値の推測に使われる．
  • 次は使用可能なオプションである．
  • AssumeDeterministic False関数が決定論的であると仮定すべきかどうか
    "CovarianceType" Automatic使用する共分散タイプ
    "EstimationMethod""MaximumPosterior"値を推測するメソッド
    "OptimizationMethod"Automaticパラメータを推定する最適化メソッド
  • 次は"CovarianceType"の可能な設定である．
  • "SquaredExponential"指数カーネル
    "HammingDistance"名目変数のための指数カーネル
    "Periodic"周期カーネル
    "RationalQuadratic"有理二次カーネル
    "Linear"線形カーネル
    "Matern5/2"指数5/2のMatérnカーネル
    "Matern3/2"指数3/2のMatérnカーネル
    "Composite"直前のカーネルの組成
    assoc各特徴タイプに別々のカーネルを指定する
  • Method{"GaussianProcess", "CovarianceType"assoc}の assoc は <|"Numerical" kernel1,"Nominal"kernel2|>の形でなければならない．
  • 次は，"EstimationMethod"の可能な設定である．
  • "MaximumPosterior"事後分布を最大にする
    "MaximumLikelihood"尤度を最大にする
    "MeanPosterior"事後分布を平均する
  • 次は，"OptimizationMethod"の可能な設定である．
  • "SimulatedAnnealing"シミュレーションされたアニーリングを使って最小値を求める
    "FindMinimum"FindMinimumを使って最小値を求める

例題

すべて開くすべて閉じる

例  (2)

分類器関数をラベルの付いた例で訓練する：

予測器についての情報を得る：

新たな例を予測する：

ラベルの付いた例で予測器を訓練する：

データを予測された値と比較し，標準偏差を見る：

オプション  (4)

AssumeDeterministic  (2)

決定論的データを仮定し，これについて予測器を訓練する：

多項式関数周囲に正規分布に従って分布するラベル付きのデータを生成する：

データが決定論的ではないと仮定して予測器を訓練する：

データが決定論的であると仮定して予測器を訓練する：

結果を比較する：

"CovarianceType"  (2)

特定の共分散タイプを使って予測器を訓練する：

ラベル付きの訓練集合を生成し，可視化する：

異なる共分散タイプを使って2つの予測器を訓練する：

共分散タイプ"Composite"を使って3番目の予測器を訓練する：

見付かったカーネルタイプを見る：

その内部パラメータを得る：

3つの結果を比較する：