"GaussianProcess" （机器学习方法）

详细信息与子选项

  • "GaussianProcess" 方法假定被模拟的函数是从高斯过程中产生. 高斯过程由其协方差函数定义（也被称之为内核）. 在培训阶段，该方法会估计此协方差函数的参数. 然后根据培训数据 Gaussian 过程被调整并使用贝叶斯推理推断新例子的值.
  • 可以给出以下选项：
  • AssumeDeterministic False函数是否被假设为确定的
    "CovarianceType" Automatic使用的协方差类型
    "EstimationMethod""MaximumPosterior"推断值得方法
    "OptimizationMethod"Automatic估计参数的优化方法
  • "CovarianceType" 的可能设置包括：
  • "SquaredExponential"指数内核
    "HammingDistance"标称变量的指数内核
    "Periodic"周期内核
    "RationalQuadratic"有理二次内核
    "Linear"线性内核
    "Matern5/2"指数为 5/2 的 Matérn 内核
    "Matern3/2"指数为 3/2 的 Matérn 内核
    "Composite"以前内核的组成
    assoc为每个特征类型指定不同的内核
  • 在 Method{"GaussianProcess", "CovarianceType"assoc}中，assoc 需要是 <|"Numerical" kernel1,"Nominal"kernel2|> 形式.
  • "EstimationMethod" 的可能设置包括：
  • "MaximumPosterior"最大后验分布
    "MaximumLikelihood"最大似然性
    "MeanPosterior"后验分布平均
  • "OptimizationMethod" 的可能设置包括：
  • "SimulatedAnnealing"使用模拟退火找到最小
    "FindMinimum"使用 FindMinimum 找到最小

范例

打开所有单元关闭所有单元

基本范例  (2)

在标记的范例上培训分类器函数：

获取关于预测器的信息：

预测一个新范例：

在标记的例子上培训预测器：

比较数据和预测值并查看标准差：

选项  (4)

AssumeDeterministic  (2)

假设决策数据并在上面培训预测器：

产生正态分布于多项式函数的一些标记数据：

通过假设数据不是确定性培训预测器：

通过假设数据是确定性的培训预测器：

比较结果：

"CovarianceType"  (2)

使用特殊的协方差类型培训预测器：

产生一个标记的培训集并可视化：

使用不同的协方差类型培训两个预测器：

使用 "Composite" 协方差类型培训第三个预测器：

查看已找到的内核类型：

获取内部参数：

比较三个结果：