gpflow - N维GP回归

Question

我正在尝试使用 GPflow 进行多维回归。但我对均值和方差的形状感到困惑。例如：假设要预测一个形状为 (20,20) 的二维输入空间 X。我的训练样本的形状为 (8,2)，这意味着两个维度总共有 8 个训练样本。y 值的形状为 (8,1)，这当然意味着 2 个输入维度的每个组合的一个基本事实值。如果我现在使用 model.predict_y(X)，我希望得到形状的平均值 (20,20)，但得到的形状是 (20,1)。方差也是如此。我认为这个问题来自 y 值的形状，但我不知道如何解决它。

bound = 3
num = 20
X = np.random.uniform(-bound, bound, (num,num))
print(X_sample.shape)  # (8,2)
print(Y_sample.shape)  # (8,1)
k = gpflow.kernels.RBF(input_dim=2)
m = gpflow.models.GPR(X_sample, Y_sample, kern=k)
m.likelihood.variance = sigma_n
m.compile()
gpflow.train.ScipyOptimizer().minimize(m)
mean, var = m.predict_y(X)
print(mean.shape)  # (20, 1)
print(var.shape)  # (20, 1)

Answer 1

听起来您可能对输入位置网格的形状和 numpy 数组的形状感到困惑：如果您想在 20 x 20 的二维网格上进行预测，则总共有 400 个点，每个点有 2 个值. 所以 X（你传递给的那个m.predict_y()）应该有形状 (400, 2)。（注意，第二维需要与 X_sample 具有相同的形状！）要构造这个形状为 (400,2) 的数组，您可以使用np.meshgrid（例如，请参阅Python / NumPy 中 meshgrid 的目的是什么？）。

m.predict_y(X)仅预测每个测试点的边际mean方差，因此返回的和var都具有形状 (400,1) （与 X 的长度相同）。您当然可以将它们重塑为网格上的 20 x 20 值。

（也可以计算完整的协方差，对于潜在的 f 这被实现为m.predict_f_full_cov，对于形状 (400,2) 的 X 将返回一个 400x400 矩阵。如果您想要来自 GP 的一致样本，这是相关的，但我怀疑这远远超出了这个问题。）

Answer 2

我确实犯了一个错误，即不展平阵列，这反过来又产生了错误。感谢STJ的快速响应！

这是工作代码的示例：

# Generate data
bound = 3.
x1 = np.linspace(-bound, bound, num)
x2 = np.linspace(-bound, bound, num)
x1_mesh,x2_mesh = np.meshgrid(x1, x2)
X = np.dstack([x1_mesh, x2_mesh]).reshape(-1, 2)
z = f(x1_mesh, x2_mesh) # evaluation of the function on the grid

# Draw samples from feature vectors and function by a given index
size = 2
np.random.seed(1991)
index = np.random.choice(range(len(x1)), size=(size,X.ndim), replace=False)
samples = utils.sampleFeature([x1,x2], index)
X1_sample = samples[0]
X2_sample = samples[1]  
X_sample = np.column_stack((X1_sample, X2_sample))
Y_sample = utils.samplefromFunc(f=z, ind=index)



# Change noise parameter
sigma_n = 0.0
# Construct models with initial guess
k = gpflow.kernels.RBF(2,active_dims=[0,1], lengthscales=1.0,ARD=True)
m = gpflow.models.GPR(X_sample, Y_sample, kern=k)
m.likelihood.variance = sigma_n
m.compile()

#print(X.shape)
mean, var = m.predict_y(X)
mean_square = mean.reshape(x1_mesh.shape) # Shape: (num,num)
var_square = var.reshape(x1_mesh.shape) # Shape: (num,num)

# Plot mean
fig = plt.figure(figsize=(16, 12))
ax = plt.axes(projection='3d')
ax.plot_surface(x1_mesh, x2_mesh, mean_square, cmap=cm.viridis, linewidth=0.5, antialiased=True, alpha=0.8)
cbar = ax.contourf(x1_mesh, x2_mesh, mean_square, zdir='z', offset=offset, cmap=cm.viridis, antialiased=True)
ax.scatter3D(X1_sample, X2_sample, offset, marker='o',edgecolors='k', color='r', s=150)
fig.colorbar(cbar)


for t in ax.zaxis.get_major_ticks(): t.label.set_fontsize(fontsize_ticks)
ax.set_title("$\mu(x_1,x_2)$", fontsize=fontsize_title)
ax.set_xlabel("\n$x_1$", fontsize=fontsize_label)
ax.set_ylabel("\n$x_2$", fontsize=fontsize_label)
ax.set_zlabel('\n\n$\mu(x_1,x_2)$', fontsize=fontsize_label)
plt.xticks(fontsize=fontsize_ticks)
plt.yticks(fontsize=fontsize_ticks)
plt.xlim(left=-bound, right=bound)
plt.ylim(bottom=-bound, top=bound)
ax.set_zlim3d(offset,np.max(z))

这导致（红点是从函数中提取的样本点）。注意：代码从未如此重构:)