问题标签 [gaussian-process]

我正在尝试重新实现本网站中的示例：他们有代码的地方：

他们提到他们为每个特征学习一个 GP，但我希望所有特征都具有相同的高斯。任何人都知道该怎么做？

我对 GPy 和 gpflow 非常陌生，并且一直在学习使用他们网页上的常见示例来实现多输出多输入功能。为此，我使用了 Goldstein 函数，尽管其他维度已作为常数给出，因此它简化为 1D。我的问题是，我不确定如何获得 RMSE 和 MAE 误差指标？是否有任何可用的方法可以给出这些结果，如果没有，那么我如何获得 ystar（未知位置的函数值）来自己计算 rmse/mae/R2 误差？

任何人都可以给出任何关于相同的指示吗？

我正在尝试使用 GPML 书中给出的 NumPy 实现 ARD 内核（来自公式 5.2 的 M3）。

我正在努力为 NxM 内核计算向量化这个方程。我尝试了以下非矢量化版本。有人可以帮助在 NumPy/PyTorch 中对此进行矢量化吗？

所需的协方差矩阵是

其中 t 是一维时间，k={0, 1}

来自内核的示例应如下所示：

橙色序列对应k=0，蓝色序列对应k=1。

请协助。

我收到错误消息：ValueError: Array 'mean' must be a vector of length 4

我的代码如下：

＃初始化：

#E步

#M 步

#对数似然

#期望最大化

＃训练

错误：

我正在尝试为我的实验数据绘制高斯拟合。我的数据采用 csv 文件的形式，其中包含两列 x 和 y 值。目前我在文件夹中有 3 个 csv 文件。我正在使用“for”循环来读取文件夹中的 csv 文件并将 x 和 y 值存储在一个数组中。然后，我打印数组以检查是否所有数据值都存储在数组中。我正在尝试为我的数据值绘制高斯拟合。我附上了我得到的高斯拟合的片段。我想找到一种方法来为每个 csv 文件绘制一个拟合。现在我只适合所有 3 个文件，如代码段所示。我想生成 3 个这样的拟合。如果您需要更多详细信息，请告诉我。我很乐意提供。任何建议都会有帮助。我在下面附上了我的代码：

我正在尝试使用以下代码生成高斯分数噪声：

然而，在特征分解之后，我发现分数高斯噪声的累积和产生了：

这显然不是分数布朗运动，它应该是静止的，赫斯特参数为 0.10。代码有什么问题？

更新
当我通过 CVC* 重构我的循环矩阵时，C* 是反向特征向量的矩阵，我发现它给出了我原始循环矩阵的转置。

我想使用高斯过程实现二进制分类模型。根据官方文档，我的代码如下。

X 有 2048 个特征，Y 为 0 或 1。优化模型后，我试图评估性能。

然而，该predict_y方法产生了一个奇怪的结果。预期pred应该具有类似 (n_test_samples, 2) 的形状，它表示属于 0 类和 1 类的概率。但我得到的结果是 (n_test_samples, n_training_samples)。

出了什么问题？

我希望我的高斯过程分类器具有二项式似然性，为此我正在使用sklearn 的实现。我无法将二项式似然用于我的观察，以及每个样本的观察数量的元数据，这在 GPy 包的 GP 实现中是可能的。

基本上，我正在寻找将从 GPy 包创建的以下对象转换为使用 sklearn 的 GP 分类器模型制作的对象。

这里，k_train 是积极事件的数量，n_train 是事件的总数。

我在 sklearn 的实现中遇到了一个属性base_estimator_，我不知道如何使用。对我的要求有帮助吗？如果是，那么如何使用它？

我正在尝试创建一个复合协方差函数来对我的数据进行建模。具体来说，我想创建一个在@covSEard&之间加权的内核@covRQard。例如：我想给 30% 的权重@covSEard和 70% 的权重@covRQard，比如0.3*@covSEard + 0.7*@covRQard

我尝试了以下选项。

选项 1 - 使用@covSum&@covProd功能

在这里，我尝试使用@covConst只有信号方差超参数的内核，我强制它等于权重（例如：在这种情况下@covSEard为 0.3 和 0.7 。 但是，当我尝试优化以上内核的超参数，甚至权重（实际上是内核的超参数）也被修改了。@covRQard
@covConst

选项 2 - 使用@covSum功能并根据权重重复每个内核 n 次

例如，如果我想分别给@covSEard&赋予 1:2 的权重@covRQard，我会执行以下操作

替换上面代码中的以下几行

covFunc = {'covSum', {{'covProd', {'covConst','covSEard'}}, {'covProd', {'covConst','covRQard'}}}};
和
covfunc = {'covSum', {'covSEard', 'covRQard', 'covRQard'}};

&

covHyp = {log([sqrt(kernel_weight); L; sf; sqrt(1-kernel_weight); L; sf; al])};
和
covHyp = {log([L; sf; L; sf; al; L; sf; al])};

但是，在这种情况下，超参数的数量会线性增加，而且我不确定这是否是正确的做事方式。

我想知道在 GPML 中创建这种协方差函数的正确方法是什么。请建议。