问题标签 [gaussian-process]

所以我有这段代码可以读取一个双精度数组并进行高斯消除，我想将其更改为读取浮点数，我的问题是如果我将数组更改为浮点数，我需要更改什么以使我的程序继续运行。

我知道我的数组应该更改为 .float 并且在浮点数中我需要使用 li $v0、2 和 lcw1 $f12，并且我正在使用 li $v0、3 ldc1 $f2，但我一直在更改它并给了我错误的答案我不知道该怎么做，我正在尝试，但我不能让它工作任何帮助PLZ？

在 scikit-learn 中，GaussianProcessRegressor 模型在其参数中包含一个内核和用于其超参数的优化器。我知道如果优化器设置为None或内核的超参数设置为，'fixed'则它们无法更改。

scikit-learn 中 GPR 的默认内核是ConstantKernel(1.0, constant_value_bounds="fixed") * RBF(1.0, length_scale_bounds="fixed"). 我假设常量内核在这里有一个目的，但根据我的理解，它只能是 1，因此没有任何效果。

我的问题是：默认内核和简单内核之间有什么实际区别RBF(1.0, length_scale_bounds="fixed")吗？

我正在使用 Python 库fmfn/BayesianOptimization使用高斯过程执行贝叶斯优化。我必须将内核函数更改为我创建的内核函数。

据我了解，库fmfn/BayesianOptimization调用sklearn.gaussian_process。我的问题是，我如何实现我的内核以使其与 sklearn 兼容，以及如何将它作为参数传递？

我正在尝试使用 C 中动态创建的数组进行高斯消除，但每次运行它时，它都会在高斯消除部分停止。我不知道出了什么问题，IDE 说没有错误，但程序在嵌套的 for 循环部分停止。我从网上得到了高斯消除代码并试图将它实现到我的程序中，但它没有任何帮助？

好的更新我让它运行但输出错误：

有什么帮助吗？

我使用高斯过程 (GP) 的后验作为非线性微分方程求解器的输入，为简单起见，它会产生标量输出。我想计算标量输出的方差，为此我正在考虑使用 GP 的 Karhunen-Loève (KL) 展开与系数的 sigma 点相结合。因此，在数学上，我需要计算后验协方差函数的特征函数。关于这是否可以实现的任何想法？

在我的理解中，蛮力方法可以是在足够精细的输入网格处计算训练后的 GP 的后协方差矩阵，然后计算其特征向量。但是，我将不得不回归计算的特征向量以将它们转换为连续函数，该函数可用于微分方程求解器。我想知道是否有更好/更优雅的方式来做到这一点？我为此使用 GPyTorch，但其他工具也可能有用。

我正在使用scikit-learn Python 库对一个需要七个输入的函数执行贝叶斯优化（在高斯过程回归之上）。其中四个输入代表物理角度，因此高斯核在其中应该是周期性的；一个自然的选择是sklearn.gaussian_process.kernels.ExpSineSquared。但是，我不想武断地强制函数在其他三个中是周期性的。

根据The Kernel Cookbook，正确的方法是简单地将ExpSineSquared周期性变量的内核与非周期性内核（比如 Matérn 内核）相乘，并获得类似

（其中x是参数的 7 向量）。有人会认为实现的内核Product将sklearn.gaussian_process.kernels是可行的方法，但据我所知，这不允许我选择哪些参数是周期性的，哪些不是；使用Product内核将有效地给我ExpSineSquared(x)*Matern(x).

由于我对 sklearn 中的 GPR 不是很有经验，所以实现所需内核的最佳方法是什么？

我正在尝试使用来自 sklearn 的高斯过程回归器来预测一些数据。我正在使用一个数据集，该数据集具有我正在尝试考虑的测量误差。我想通过最大化以下卡方可能性来做到这一点：

卡方似然

其中包含数据 Y^ 的数据协方差矩阵 Sigma。Y 是观测值的 GP 重建。

这是我使用的一些代码：

我在这里上传到 PasteBin 的数据集。

对于非常具体的数据标签，我深表歉意。如果您对此有任何疑问，我很乐意详细说明。简而言之，z_CC 是我的 x 数据，而 H_z_CC 是我的 y 数据。

我想我也许可以使用

功能。但我不确定如何将我的似然方程实现到优化器中。此外，优化器最小化可能性，而我想最大化它。

也许有更好的方法可以做到这一点，或者使用不同的高斯过程包，然后请告诉我！

非常感谢提前！！！

我在 sklearn 中使用高斯过程分类器为分类任务拟合一些数据。我知道对于高斯过程回归return_std器，可以传入

输出测试样本的标准偏差（就像在这个问题中一样）

但是，我找不到 GP Classifier的这样一个参数。

是否有从 GP 分类器输出测试数据的预测均值和标准差之类的东西？有没有办法输出拟合模型的后验均值和协方差？

我正在尝试将高斯过程回归模型用于贝叶斯优化部分。GP模型是为了逼近我的目标函数。它有两个输入（变量）（x，y），它们返回一个输出 z。我正在努力了解用于 GP 模型的内核/内核组合。我已经尝试了两个 SE 内核（RBF + RBF 和 RBF x RBF）的乘积和总和，到目前为止，预测并不是那么好。我使用了 81 个训练点（x,y 对）和结果 z 值来训练模型。如果有帮助，我还包括下面的 3D 数据图像和代码。真的，我只需要一些帮助来了解要使用哪些内核/如何构建自定义内核以适应我的数据。任何帮助将不胜感激。

下面是我的代码：

下面是一些输出错误的截图，我也可以使用一些帮助理解。

我正在使用 Gpytorch 来运行深度高斯过程回归回归模型，并且我正在使用自动 Adam 优化器来优化超参数。

这是我正在使用的合成数据集的创建：

当我运行这一行来找出超参数时，我得到一个错误：只有一个元素张量可以转换为 Python 标量

有人知道我该如何解决这个问题吗？这是我的深度 GP 回归模型的定义：

培训代码：

测试代码：

提前非常感谢。