我想实施风险预测模型（生成一个百分比）。我知道LR对于这项工作是足够的，但我想尝试GPR。
我的问题是：在这种情况下，GPR是一个合适的选择吗？我知道GPR是在函数上生成概率分布，它可以为丢失的数据提供稳健的估计，但是有可能进行概率预测吗？ （或高斯分类过程可以做到这一点？）
感谢您的帮助。 ： - ）
答案 0 :(得分：0)
GPR用于回归问题。 LR适用于＆＃34; Classification＆＃34; 。
您应该使用高斯过程，然后使用非线性（如softmax）进行分类，这需要对学习和预测进行一些近似。它包含在以下链接中。您可以运行演示以查看其工作原理： http://www.gaussianprocess.org/gpml/code/matlab/doc/
答案 1 :(得分：0)
逻辑回归是二元响应变量的回归方法（几乎是@Daniel所说的，但并不完全相同）。如果您的风险可以被解释为违约概率/崩溃/无论如何，那么如果您可以安排您的数据具有“默认”和＃34;那么Logistic回归可能是合适的。或者＆＃34;没有违约＆＃34;而不是风险百分比作为因变量。
如果没有，你就会对这个百分比感到屈服。您可以使用高斯过程，或任何其他回归量。我说'卡住'的原因是什么？使用标准方法对与区间[0,1]绑定的数字进行回归存在一些问题，因为标准线性回归量（或GP，或SVR，或其他）通常在整个实线上定义。为了解决这个问题，你可以专门使用Beta回归（y~Beta），它将因变量限制在适当的范围内，或者对变换后的百分比进行回归（例如，logit或probit变换的比例将在整个实线上）