问题标签 [gaussian-process]
For questions regarding programming in ECMAScript (JavaScript/JS) and its various dialects/implementations (excluding ActionScript). Note JavaScript is NOT the same as Java! Please include all relevant tags on your question; e.g., [node.js], [jquery], [json], [reactjs], [angular], [ember.js], [vue.js], [typescript], [svelte], etc.
assembly - 在 mips mars 组件中加倍浮动
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?
python - 在 scikit-learn 中,如果 ConstantKernel 的值对于高斯过程回归是固定的,它是否会产生影响?
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?
python - 如何在 Python 中使用我自己的核函数进行贝叶斯优化
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?
c - C中动态数组的高斯消除
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?
gaussian-process - 高斯过程后验的 Karhunen-Loève 展开
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。
python - 在 sklearn GPR 中结合周期性和非周期性内核
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?
python - SKlearn 高斯过程回归器最大化卡方似然而不是对数边际似然
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:
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!!!
python - 如何在sklearn中输出高斯过程分类器的均值和标准差?
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?
regression - 深度高斯过程超参数
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。