文件名称：matlab多元参数非线性回归模型代码-Multi-output-Gaussian-Process:多输出高斯过程
文件大小：14KB
文件格式：ZIP
更新时间：2024-06-10 08:38:44
系统开源
matlab多元参数非线性回归模型代码多输出高斯过程 多输出回归 在多输出回归（多目标，多变量或多响应回归）中，我们旨在预测多个实值输出变量。 一种简单的方法可能是使用单个输出回归模型的组合。 但是这种方法有一些缺点和局限性[]： 训练多个单输出模型需要很长时间。 每个单个输出模型都针对一个特定目标（而不是所有目标的组合）进行了培训和优化。 在许多情况下，目标之间具有很强的相互依赖性和相关性。 单个输出模型无法捕获此关系。 为了解决此缺点和局限性，我们寻求一种多输出回归方法，该方法不仅可以考虑输入因素与相应目标之间的关系，还可以考虑目标之间的关系，从而对多输出数据集进行建模。 已经针对多输出问题开发了几种回归方法。 单击此处，对这些方法进行详尽的回顾。 例如，多目标SVM或随机森林是最受欢迎的两种。 在这项研究中，我正在提出和实施一种使用高斯过程（GP）模型进行多输出回归的新技术。 单变量GP 首先让我们开始介绍单变量GP。 单变量GP在函数上定义了高斯分布，可用于非线性回归，分类，排名，偏好学习或有序回归。 与其他回归技术相比，单变量GP具有多个优点： 在受计算量大的数据集限制的
【文件预览】：
Multi-output-Gaussian-Process-master
----subprograms()
--------predict_resp.m(1KB)
--------MRSM.m(2KB)
--------trend_fun.m(1KB)
--------tune_hyper.m(571B)
--------define_covmatrix.m(702B)
--------covSEard.m(177B)
--------initial_hyper.m(357B)
--------max_restr_likelihood.m(2KB)
--------find_beta.m(263B)
--------rest_log_likelihood.m(1023B)
--------sq_dist.m(2KB)
--------max_likelihood.m(524B)
--------log_likelihood.m(433B)
--------poschol.m(172B)
----LICENSE(1KB)
----README.md(6KB)
----example.m(5KB)