问题标签 [gaussian-process]

我有一个140.000 点（行）的csv 文件。它包括：

1. 经度值
2. 纬度值
3. 特定点的沉降值。我假设这些点在空间上是相关的。

我想对点的区域进行空间插值分析。意思是，我将使用例如克里金法（即高斯过程回归）进行地统计插值分析。

我正在阅读关于高斯回归的sci-kit 学习页面。但我不确定如何实现它。

哪些特性决定了我可以使用哪个内核？如何正确使用我的空间数据实现这一点？

我正在运行以下代码：

我输入的形状是： (19142, 21) dtypes 分别是：float64

在编辑中添加：X 和 y 是 Pandas 数据框。在.values它们是每个 numpy 数组之后

我得到错误：

ValueError: array is too big; `arr.size * arr.dtype.itemsize` is larger than the maximum possible size.

我无法将 20000 * 20 的数据集成像到实际上对于高斯过程来说太大了，我错了吗？

整个错误信息：

我正在使用 GPyTorch 进行高斯过程回归。我想分析我建立的模型中的一些异常值。为此，我想查看对异常值的输出（目标）值有很大影响的训练数据点。如何找到附近的训练数据点？

我执行了球形克里金法，但似乎无法获得好的输出图。坐标（x 和 y）的范围从大约 51 纬度和大约 6.5 度，因为我的观察范围从 -70 到 +10 这是我的代码：

这是我的输出：

克里金元模型图

我不知道为什么我的图表不会显示我的输入以及我的克里金结果。

感谢您的想法和帮助

我几乎完成了空间插值，但是结果图不是我想要的。我遵循了关于克里金法的 scikit-gstools 文档：https ://scikit-gstat.readthedocs.io/en/latest/tutorials/01_getting_started.html

最后一个情节是我想要的。

我当前的代码如下所示：

OUT：加载 1046 行 3 列

经纬度沉降

0 6.702397 50.91644 -6.317195

1 6.703119 50.91653 -5.610300

2 6.703386 50.91633 -4.985516

3 6.702680 50.91618 -5.956828

4 6.703945 50.91625 -4.455712

克里金模型的输出

如您所见，我没有得到彩色克里金模型和反映非常高克里金误差的图。我不确定如何处理这个问题，如果有任何帮助，我将不胜感激！

我能够成功运行此处描述的模型。我有四组有误差的数据（天文数据，顺便说一下，例如四个不同波段的时间、幅度和幅度误差）。

我也可以像这里显示的那样运行单波段分析（第一个示例）。

但是，我无法推广共区域化内核来处理具有已知噪声的数据。具体来说，正如我天真希望的那样，HeteroskedasticGaussian上面报告的示例 #2 中定义的可能性不能在实例中使用。gpflow.likelihoods.SwitchedLikelihood

有没有人解决了这个问题并可以提供建议？

我正在尝试实现这个以将 3 个输入作为我的自变量而不是 1。

我正在努力将数组转换为正确的形式，也不确定如何正确获取可训练参数的尺寸。

假设我的数据是形式

即，ys_i我们拥有(as_i, bs_i, cs_i)与之对应的每个人。

有人可以帮我吗。我认为观察到的数据数组形状应该是(6,3)但似乎无法使用np.expand_dims

https://www.tensorflow.org/probability/api_docs/python/tfp/distributions/GaussianProcessRegressionModel

谢谢

我正在尝试在 sklearn 中使用 GaussianProcessRegressor 来预测未知值。
目标值通常在 1000-10000 之间。
由于它们不是 0 均值先验，我将模型设置为normalize_y = False，这是默认设置。

当我用 gpr 模型预测未知时，返回的标准值太小了，就像 0.1 的比例一样，是预测值的 0.001%。
当我将设置更改为 时normalize_y = True，返回的 std 值更真实，大约 500ish。

有人可以准确解释normalize_y这里的作用，在这种情况下我是否将其设置为 True 或 False？

我一直在研究使用多输出高斯过程来模拟复杂的数学模拟器。我看过 Conti & O'Hagan (2010) 和 Alvarez & Lawrence (2009, 2011) 的论文。

Matlab 或 R 中是否有任何可用的包能够实现这些或任何替代方法？我的两个输出是相关的，有 400 个观察值。

我很难找到以下问题的直接答案：

如果您计算 nxn 正定对称矩阵 A 的 Cholesky 分解，即因子 A=LL^T 且 L 为下三角矩阵，则复杂度为 O(n^3)。对于稀疏矩阵，显然有更快的算法，但要快多少呢？

对于这样一个具有 m<n^2 个非零条目的矩阵，我们可以实现什么复杂度？

编辑：我的矩阵也大约是主对角线（只有对角线和下方和上方的一些相邻对角线是非零的）。

PS 我最终对 Julia 或 Python 中的实现感兴趣。Python 有 sksparse.cholmod 模块（https://scikit-sparse.readthedocs.io/en/latest/cholmod.html），但我不清楚他们使用的是什么算法以及它的复杂性是什么。不确定 Julia，如果有人能告诉我。