问题标签 [gaussian-process]

再会！

我正在使用 GPFlow 回归来模拟球体上的函数（点和北极之间的球面距离）。这是我的代码：

我在球体上随机选择了训练和测试集

train_test_split(data, test_size = 0.33)

我设置了一个不可训练的参数，因为我的模型在测试集和训练集上都给出了不好的预测。现在我predict_f()对测试集有非常糟糕的预测（使用 ）和对训练集的非常好的预测，同样在测试集上，它看起来模型给出了具有大预测协方差的任意分布值。这是一个可视化（我将函数的值从球体上的对应点推迟）

问题：如何修复测试集的预测？可能是什么问题呢？

图片：

列车组预测	对测试集的预测

我正在编写一个脚本，它使用 GPR 来分析和预测不同燃料的燃烧特性。我的测试集有很好的输出，现在想要添加 95% 的置信区间。当我尝试实施间隔时，我得到了可怕的结果。请发送帮助。

正如问题所述，我想知道如何从 GPFlow 中的 SVGP 模型中获取噪声方差（而不是信号方差）。为了澄清，我所说的噪声方差是指高斯似然的参数，我理解它是观测值的预测方差减去潜在函数的预测方差之间的差异（后者是我所说的信号方差）。

SVGP 实际上不是我的目标，我试图理解异方差模型，但它也使用 SVGP，所以我想我会从那里开始。

我正在尝试在集成装袋分类器/回归器中使用 GaussianProcess 分类器或回归器。高斯内核在集成工作流之外工作正常，但只要它在集成模型中实现（此处装袋），它就会生成有关其内核的错误，声明“CompoundKernel”对象没有属性“k1”。我使用以下更简单的代码重新生成了错误：

以下是错误：

请注意，将复合内核更改为单个内核（例如 RBF）可以解决问题，但我想在我的模型中使用混合内核。您对我如何处理这个问题有任何想法吗？

我正在努力在 GP 中生成一个内核矩阵。这是我的功能：

cov_function是我使用的核函数，例如 se、exp 或 matern。你可以看到我仍然使用for循环，我知道向量化更有效但我不知道如何向量化它。所以我想请教一些建议。

我正在尝试使用 GaussianProcessRegressor 拟合 GP，并尝试获取长度比例值（超参数）。我试过了 gp.kernel_.get_params()，我得到了所有的参数（结果如下）。但是，我只想将向量保存length_scale=[7.68, 100, 6.04]到文件或变量中，以便我可以在后处理特征中使用它。如果您有任何想法，我将不胜感激。

我相信这个GPflow 文档页面的倒数第二个等式有错误 。我在这里提供详细信息。这可能是对的吗？

在高斯过程回归 (GPR) 的标准 scikit-learn 实现中，（内核的）超参数是根据训练集选择的。

是否有一个易于使用的 GPR 实现（在 python 中），其中超参数（内核的）是基于单独的验证集选择的？或者交叉验证也是寻找合适超参数的一个很好的替代方法（经过优化以在多个 train-val 分割上表现良好）。（我更喜欢基于 scikit-learn GPR 的解决方案。）

_{详细说明：应该找到一组超参数 theta，在以下指标中表现良好：根据训练数据计算后验 GP（给定具有超参数 theta 的先验 GP）。然后评估验证数据相对于后验的负对数似然。对于 theta，这种负对数可能性应该是最小的。}

_{换句话说，我想找到这样的“P [ valData | trainData，theta ]”是最大的。更准确地说，我想找到 theta 使得 sum_i log(P[ valData_i | trainData, theta ] 是最大的，其中 P[ valData_i | trainData, theta ] 是给定训练的验证数据点 valData_i 的高斯边际后验密度-给定具有超参数 theta 的先前 GP 的数据集。}

有谁知道我们怎样才能给 sklearn 的高斯过程一个张量作为输入？我用神经网络做到了，但我会尝试用高斯过程。

由于前面的 3 个，我尝试做的是预测函数的下一个点。例如，我想用 ((x0,y0), (x1,y1), (x2,y2)) 作为输入来预测 (x3,y3)。当向量 x 是 linspace 时，一切正常，但当它是 np.random.uniform 时，它就不起作用了。

我的训练数据看起来像这样： 训练数据

我的测试数据看起来像这样： 测试数据

我的模型是一个高斯过程，定义如下：

我得到的结果如下： 预测结果

我唯一的结果是（0,0）。有人知道为什么它不起作用吗？