resubPredict
学習済み回帰モデルを使用した学習データについての応答の予測
説明
yFit = resubPredict(Mdl,Name=Value)IncludeInteractions=true は、一般化加法モデルの計算に交互作用項を含めるように指定します。
[ は、前の構文におけるいずれかの入力引数の組み合わせを使用して、予測子データ yFit,ySD,yInt] = resubPredict(___)Mdl.X 内の各観測値で評価した応答変数の標準偏差と予測区間も返します。この構文は、IsStandardDeviationFit が true である一般化加法モデルに、および PredictMethod が 'bcd' でないガウス過程回帰モデルにのみ適用されます。
例
一般化加法モデル (GAM) に学習させてから、学習データについて応答を予測します。
patients データ セットを読み込みます。
load patients予測子変数 (Age、Diastolic、Smoker、Weight、Gender、SelfAssessedHealthStatus) と応答変数 (Systolic) を格納する table を作成します。
tbl = table(Age,Diastolic,Smoker,Weight,Gender,SelfAssessedHealthStatus,Systolic);
tbl 内の予測子の線形項が格納されている一変量の GAM に学習させます。
Mdl = fitrgam(tbl,"Systolic")Mdl =
RegressionGAM
PredictorNames: {'Age' 'Diastolic' 'Smoker' 'Weight' 'Gender' 'SelfAssessedHealthStatus'}
ResponseName: 'Systolic'
CategoricalPredictors: [3 5 6]
ResponseTransform: 'none'
Intercept: 122.7800
IsStandardDeviationFit: 0
NumObservations: 100
Properties, Methods
Mdl は RegressionGAM モデル オブジェクトです。
学習セットについて応答を予測します。
yFit = resubPredict(Mdl);
観測応答値と予測応答値を格納する table を作成します。table の最初の 8 行を表示します。
t = table(tbl.Systolic,yFit, ... 'VariableNames',{'Observed Value','Predicted Value'}); head(t)
Observed Value Predicted Value
______________ _______________
124 124.75
109 109.48
125 122.89
117 115.87
122 121.61
121 122.02
130 126.39
115 115.95
関数 fitrgp を使用してガウス過程回帰 (GPR) モデルを学習させます。次に、関数 resubPredict を使用して、学習データについて応答を予測し、学習データの各観測値における応答の予測区間を推定します。
学習データ セットを生成します。
rng(1) % For reproducibility
n = 100000;
X = linspace(0,1,n)';
X = [X,X.^2];
y = 1 + X*[1;2] + sin(20*X*[1;-2]) + 0.2*randn(n,1);二乗指数カーネル関数を使用して、GPR モデルに学習させます。回帰変数のサブセット ('sr') による近似法を使用してパラメーターを推定し、データ サブセット ('sd') 法を使用して予測を行います。アクティブ セットに含まれている 50 個の点を使用し、アクティブ セットの選択には、'sgma' (スパース グリーディ行列近似) 法を指定します。1 番目の予測子と 2 番目の予測子ではスケールが異なるので、データ セットを標準化します。
gprMdl = fitrgp(X,y,'KernelFunction','squaredExponential', ... 'FitMethod','sr','PredictMethod','sd', ... 'ActiveSetSize',50,'ActiveSetMethod','sgma','Standardize',true);
fitrgpは、近似法、予測法およびアクティブ セット選択法についてどのような組み合わせでも受け入れます。ただし、ブロック座標降下予測法 ('PredictMethod','bcd') を使用してモデルに学習させた場合、このモデルを使用しても予測応答の標準偏差は計算できません。そのため、このモデルは予測区間の計算にも使用できません。詳細については、ヒントを参照してください。
学習済みのモデルを使用して、学習データの応答を予測し、予測した応答の予測区間を推定します。
[ypred,~,yci] = resubPredict(gprMdl);
真の応答、予測した応答および予測区間をプロットします。
figure plot(y,'r') hold on plot(ypred,'b') plot(yci(:,1),'k--') plot(yci(:,2),'k--') legend('True responses','GPR predictions','95% prediction limits','Location','Best') xlabel('X') ylabel('y') hold off
学習済みの GPR モデルを使用して、学習データの平均二乗誤差損失を計算します。
L = resubLoss(gprMdl)
L = 0.0523
予測子の線形項と交互作用項の両方が格納されている一般化加法モデル (GAM) を使用して、学習データ セットについて応答を予測します。応答を予測する際に交互作用項を含めるかどうかを指定します。
carbig データ セットを読み込みます。このデータ セットには、1970 年代と 1980 年代初期に製造された自動車の測定値が格納されています。
load carbig予測子変数 (X) として Acceleration、Displacement、Horsepower および Weight を、応答変数 (Y) として MPG を指定します。
X = [Acceleration,Displacement,Horsepower,Weight]; Y = MPG;
X 内の使用可能なすべての線形項と交互作用項が格納されている一般化加法モデルに学習させます。
Mdl = fitrgam(X,Y,'Interactions','all');
Mdl は RegressionGAM モデル オブジェクトです。
線形項と交互作用項の両方を使用して応答を予測してから、線形項のみを使用して応答を予測します。交互作用項を除外するには、'IncludeInteractions',false を指定します。
yFit = resubPredict(Mdl);
yFit_nointeraction = resubPredict(Mdl,'IncludeInteractions',false);観測応答値と予測応答値を格納する table を作成します。table の最初の 8 行を表示します。
t = table(Mdl.Y,yFit,yFit_nointeraction, ... 'VariableNames',{'Observed Response', ... 'Predicted Response','Predicted Response Without Interactions'}); head(t)
Observed Response Predicted Response Predicted Response Without Interactions
_________________ __________________ _______________________________________
18 18.026 17.22
15 15.003 15.791
18 17.663 16.18
16 16.178 15.536
17 17.107 17.361
15 14.943 14.424
14 14.119 14.981
14 13.864 13.498
入力引数
名前と値の引数
出力引数
アルゴリズム
resubPredict は、オブジェクト (Mdl) の対応する関数 predict に従って応答を予測します。モデル固有の説明については、次の表に示す関数 predict のリファレンス ページを参照してください。
| モデル | 回帰モデル オブジェクト (Mdl) | オブジェクト関数 predict |
|---|---|---|
| ガウス過程回帰モデル | RegressionGP | predict |
| 一般化加法モデル | RegressionGAM | predict |
| ニューラル ネットワーク モデル | RegressionNeuralNetwork | predict |
代替機能
新しい予測子データの予測応答を計算するには、オブジェクト (Mdl) の対応する関数 predict を使用します。
