我需要构建一个函数来给出高斯过程的后验协方差。这个想法是使用 GPytorch 训练 GP，然后获取学习的超参数，并将它们传递给我的内核函数。（由于几个原因，我不能直接使用 GPyTorch）。

现在的问题是我无法重现预测。这里是我写的代码。我整天都在努力，但我找不到问题所在。你知道我做错了什么吗？

我正在使用 Python贝叶斯优化来优化 XGBoost 模型。

我将迭代次数指定为 10：

当我运行代码时，我看到迭代次数超过 10 并继续运行

这是为什么？

我的猜测是它与the有关，init_points但我对此没有任何解释。

我最近从 celerite 切换到 celerite2 来建模恒星光曲线。我密切关注celerite 2 教程，根据我的需要进行调整。我的模型由一个平面均值、一个抖动项、一个粒化项和一个 SHO 项组成，用于模拟非径向振荡。

数据输入：

观察结果是通过以下方式从 lightkurve.KeplerLightCurve 对象转换而来的：

先验：

先验 (prior_*_m和prior_*_sd) 完全是 numpy float64 标量。

建筑模型：

我已经为大多数分布包含了一个形状参数，因为我希望我的代码能够将向量作为输入处理，以防我需要多个粒化/振荡项。

现在，当我运行此代码时，出现以下错误：

这对我来说毫无意义（老实说，正如大多数 theano 错误消息所做的那样）。为什么其中一个分支是布尔值？

我试过的

我已经尝试在代码中省略 shape 参数，因为我之前遇到过问题。

这会导致以下错误：

我也尝试过手动设置测试值，这会产生相同的错误。

这是我第一次在这里发帖，如果我忘记了任何重要信息，非常抱歉。在此先感谢您的帮助！

我正在使用 scikit-learn 进行高斯过程回归建模。我的数据没有标准化。该模型总是返回 0 到 1 之间的标准差值，这与我的数据不符。有谁知道如何重新调整标准偏差值以获得实际标准偏差？

我正在尝试优化边际似然来估计高斯过程回归的参数。所以我用这种方式定义了边际对数似然：

其中要优化的参数是“l”和“sigma_n”。使用一些初始值和数据，该函数会返回一些值：

但是当我尝试用“最小化”优化参数时，我得到了这个：

我不知道为什么，但参数“l”似乎没有优化，但它与我固定的起始值匹配。

有什么建议吗？

我正在研究高斯过程回归，我正在尝试使用 scikit-learn 的内置函数，并且还试图为此实现自定义函数。

这是使用 scikit-learn 时的代码：

这是我手动编写的代码：

正如你所看到的，我从这两种方法中得到的超参数是不同的，但是我使用了相同的数据（X，Y）和相同的最小化方法。

有人可以帮助我理解为什么以及如何获得相同的结果吗？！

我正在尝试使用 SHAP 库获取高斯过程回归 (GPR) 模型的 SHAP 值。但是，所有 SHAP 值都为零。我正在使用官方文档中的示例。我只是将模型更改为 GPR。

运行上面的代码会得到以下图：

当我使用神经网络或线性回归时，上面的代码可以正常工作。
如果您知道如何解决此问题，请告诉我。

我有一个 2043 小时的时间序列。我的目标是通过高斯过程回归 (GPR) 模型训练和测试预测模型，包括其不确定性估计。我在应用 R 包caret + kernlab::train( )模型的联合的准时预测方面取得了很好的结果。我如何使用这些 R 包估计它的预测区间？

我的 .csv 数据可通过三个 Dropbox 链接获得：

训练数据

测试数据

完整的时间序列data.frame（时间、训练和测试数据）

目的是使用“ST3”和“ST4_lag1”回归量预测“ST4_lead1”。它们是我们在 data.frames 上的列。

从现在开始，我将展示我的代码。第一个窗口代码对我们双方都是通用的。您可以完全运行它。

我们已经完成了常见的培训和测试过程以及获得测试结果。

在第二个窗口代码中，我们将从预测对象中提取一些测试结果。顺便说一句，我希望预测会为我们带来所需的预测间隔，我需要帮助。

它为我们带来了测试结果图，如下所示。实线是观察到的数据，而红点是预测的估计值。

最后，在第三个窗口代码中，我们只计算回归的指标：

如我们所见，对于训练过程，R² = 0.76 和 MAE = 1.06；而对于测试对象，R² = 0.80 和 MAE = 1.36。这些对我们来说已经足够好了。

在 GPR 中，预测倒数基于每个预测点周围的高斯分布，由Rasmussen 和 Williams (2006)提供。我曾通过其他三种方式尝试过 GPR：仅使用kernlab::train( )、tgp::bgp( )和gplmr::train( )。这最后一个是由duckmayr亲切地建议的。对于所有这些，我找到了预测区间。然而，“ caret + kernlab::train() ”的联合使用（如我的代码所示）返回了更好的准时预测。我不知道为什么。

正如我在第一个和第二个窗口代码之间提到的，我可能期望从“预测”对象中，我们可以从每个预测点提取平均数据并添加（或减去）其标准偏差的 2 倍，允许y = average + - 2*标准差。但是，我不知道如何提取这个平均值，甚至是每个预测点的标准偏差。

简而言之，如何使用 caret + kernlab 包的联合使用来获得高斯过程回归的预测区间？

我需要根据时间预测输出将是什么。我想这样做，这样我就可以在前 20% 的数据上训练我的模型，然后制作一个模型，该模型将遵循行为，并预测剩余的 80%。我正在处理的数据如下所示： 我的数据

但是当我尝试进行回归来做到这一点时，我要么得到一些偏离目标的东西（或者一些非常接近的东西，但它是线性的），这是不被接受的。

我可能认为我的问题是我的内核的选择，或者我进行回归的方式。现在我正在使用 sklearn 包进行如下操作：

但是经过几次预测后，预测只是变成了相同的稳定值，而不是数据中的曲线。此外，预测的标准变化变得非常大。 基于真实数据的 GPR 预测

在 python 中进行核岭回归时，我似乎也无法让曲线跟随数据。要么在几次预测中下降到 0，要么必须是线性预测。 KRR 模型，而是线性的 - 这还不够好

KRR 模型的制作如下（我知道内核=多项式，次数为 1，但我似乎无法找出/找到一个合适的内核来跟踪我的数据）：

因此，如果可能的话，我想获得一些输入，说明应该如何完成，或者如果采用不同的方法来解决问题会更好。但我真的希望我能得到 KRR 来拟合数据，以及高斯过程回归。

我有一个 GPR 训练的模型，它有七个特征和一个响应变量。从文献（实际观察）中，我知道响应变量对特征 X 的依赖性最高，但根据预测变量长度尺度的倒数，特征 Y 的依赖性最高。我使用了指数核函数。我想知道实际观察与这些预测量表的指示之间是否存在相关性？或者这些预测量表是否只描述了模型的敏感性，而不考虑实际观察？对于指数核函数，还指出了单 sigma-L，那么独立预测量表和整体单 sigma-L 有什么区别？