什么是加點？

所謂加點，就是給數據集增添數據點對模型進行訓練。添加數據點，意思就是獲得這個想要的數據點的真實響應，可以是實驗的結果，也可以精細仿真的結果。但不管怎樣，每增加一個數據點，都會是一筆昂貴的開銷。

因此，我們應該認真考慮選擇哪個新的設計參數點作為加入點，即加點準則，我們有如下考慮：
第一，盡可能少的加入點，這意味著優化盡可能少的循環次數；
第二，加入點對模型的增益最大化，這意味著我們必須充分考慮模型本身的特性，針對模型，有針對性的設計怎么加點和怎么利用加點后的數據集對模型加強訓練。

四大加點準則

Minimizing the prediction criterion:

最小化預測準則，即將每輪用遺傳算法得到的代理模型預測的最小點（最優點）作為加入點；（即直接用代理模型的輸出作為適應度）

Expected improvement criterion：

改善的期望準則（直譯是期望的改善準則，不過我認為改善的期望準則這個翻譯更為合適），最大化當前數據最小響應點與我們新尋找的設計參數點的差值（最大化“改善”）。對于每個設計點，通過一些數學操作，我們可以求出這個改善的期望。
具體來說，用改善的期望作為遺傳算法的適應度。遺傳算法得到的最優點就是所加點。

Probability of improvement criterion

改善的概率準則。最大化我們新尋找的設計參數點的響應小于當前數據最小點的概率。通常，新設計參數點的響應和當前數據最優點的響應的差值（即改善量）是人為給定的。新設計參數點的響應見下面截圖（侵刪）：
同理，我們用概率作為遺傳算法的適應度。遺傳算法得到的最優點就是所加點。

Pseudo expected improvement criterion

總結

以上是生活随笔為你收集整理的kriging及其加点准则学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。