问题标签 [gpyopt]

GPy 和 GPflow 是否具有共同的数学背景？我问这个是因为我正在使用 GPy 但我看不到参考资料。但是，GPflow 在其示例中提供了参考。

使用继续使用 GPy 是否可以，或者您是否建议立即使用 GPflow 用于高斯过程？

我想在 GPy 中执行 coregionalized 回归，但是我使用的是伯努利似然，然后作为高斯估计，我使用拉普拉斯推理。PjkRbf下面的代码显示了我通常如何使用此设置（使用我的自定义内核）运行单输出 GP ：

现在我正在尝试运行相同的设置，但作为多输出。这是我一直无法做到的。

我已经尝试使用GPCoregionalizedRegression带有 ICM 内核的类，如下面的代码所示：

运行此代码会引发 AssertionError，并带有很长的堆栈跟踪，但最后一部分显示以下内容。可能性不能断言为高斯。

这是因为我无法将拉普拉斯推理传递给GPCoregionalizedRegression模型。

任何人都可以就如何解决这个问题提供建议，或者如果有不同的模型我可以使用伯努利似然法和拉普拉斯推理方法来执行多输出回归？

我想知道在 GPy 中使用 GPCoregionalizedRegression 模型时获得 log_predictive_density 的正确方法是什么？

我尝试了以下方法，都导致抛出相同的错误 AttributeError: 'MixedNoise' object has no attribute 'gp_link'

样品 1：

样本 2：

在这两种情况下，“newX”都是维度为 (1, 28+1) 的行向量，其中附加列是 0 或 1，具体取决于我要使用的输出索引。

我已经确认示例 1 在使用 GPRegression 模型时工作正常，并且noise_dict在示例 2 中也为mean, var = m.predict(newX, Y_metadata=noise_dict). 我是否特别错过了对 log_predictive_density 函数的一些调整？

谢谢你的时间！

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？