用GPflow实现多维高斯过程回归
GPflow是一个基于TensorFlow的Python库，用于实现高斯过程（Gaussian Process）回归。高斯过程是一种非参数的概率模型，用于建模连续变量之间的关系。它可以用于回归、分类和时间序列预测等任务。
多维高斯过程回归是指在多个输入维度上建立高斯过程模型来进行回归分析。GPflow提供了丰富的工具和函数，使得多维高斯过程回归变得简单和高效。
在GPflow中，可以通过以下步骤来实现多维高斯过程回归：
- 数据准备：准备训练数据和测试数据，包括输入特征和对应的目标值。
- 定义高斯过程模型：选择适当的高斯过程模型，如高斯过程回归（GPR）或核支持向量回归（SVR），并定义其参数。
- 模型训练：使用训练数据对模型进行训练，通过最大化边缘似然或最小化均方误差等准则来优化模型参数。
- 模型预测：使用训练好的模型对测试数据进行预测，得到对应的目标值预测结果。
- 模型评估：通过比较预测结果与真实目标值，计算评估指标（如均方根误差、平均绝对误差等）来评估模型的性能。
GPflow提供了丰富的功能和灵活的接口，使得用户可以根据自己的需求进行定制化的模型设计和训练。同时，GPflow还支持并行计算和GPU加速，可以处理大规模的数据集和复杂的模型。
在腾讯云的产品生态中，可以使用腾讯云的AI平台（https://cloud.tencent.com/product/ai）来支持GPflow的实现。腾讯云AI平台提供了丰富的人工智能服务和工具，包括模型训练与部署、数据处理与分析、图像识别与处理等，可以与GPflow结合使用，实现多维高斯过程回归的应用场景。
总结起来，GPflow是一个基于TensorFlow的Python库，用于实现多维高斯过程回归。它提供了丰富的功能和灵活的接口，可以用于建立高斯过程模型、训练模型、进行预测和评估模型性能。在腾讯云的产品生态中，可以使用腾讯云的AI平台来支持GPflow的实现。
相关·内容
我使用GPFlow进行多维回归，并希望比较各种内核，从一个空的X和Y集合开始。但是，库似乎需要包含值对的集合。我考虑过用一个远离输入空间的点初始化，但是在优化我的超参数时会包括这个点。有什么解决办法我错过了或者解决了吗？
谢谢你的帮忙!
这是一些初始化我的模型的标准代码：
import gpflow
k = gpflow.kernels.RBF(input_dim=1, lengthscales=1, variance=1)
x_sample = np.array([])
y_sample = np.array([])
model = gpflow.models.GPR(x_sample, y
浏览 0提问于2019-03-29得票数 1
回答已采纳
GPy和GPflow有共同的数学背景吗？我之所以这样问，是因为我正在使用GPy，但我看不到引用。但是，GPflow在其示例中提供了参考。
使用keep using GPy可以吗?或者您是否建议立即使用GPflow用于高斯过程目的？
浏览 20提问于2020-02-19得票数 0
回答已采纳
1回答
最近，我一直在使用gpflow，特别是高斯过程回归来建模一个过程，对于每一个输入，我都可以获得近似的矩。我有一个大小的输入值X的向量(N,1)和响应Y的大小的向量(N,1)。然而，对于每个(x，y)对，我也知道相关方差、偏度、峰度等对y值的逼近。
从这一点，我知道了一些属性，这些属性告诉我每个数据点使用的可能性都是合适的。在最简单的情况下，我假设所有的似然都是高斯的，并在每个点指定方差。通过修改关于：的教程，我创建了一个代码的最小示例。
import numpy as np
import gpflow
def generate_data(N=100):
X = np.random.
浏览 0提问于2019-09-03得票数 0
回答已采纳
1回答
我目前正试图在GPflow中训练一个GP回归模型，它将预测某些气象输入下的降水值。我使用的是Linear+RBF+WhiteNoise内核，考虑到我使用的一组预测器，这似乎是合适的。
我目前的问题是，当我得到预测新值的模型时，它有预测负降水的倾向--见附件图。
在构建模型时，我如何“强制执行”物理约束？训练数据不包含任何负降水值，但它包含许多接近于零的值，我假设这意味着GPR模型没有很好地学习“降水量必须是>=0"约束。
如果有一种方法显式地强制执行这样的约束，那么它将是完美的，但我不确定它将如何工作。这需要一种不同的优化算法吗？或者是否有可能将此约束构建到内核结构中？
浏览 3提问于2020-07-09得票数 1
回答已采纳
假设我的D输出与同位素数据有问题，我想对gpflow中多输出GP模型(内禀共区域化模型)的每个输出维使用独立的噪声，这是最常见的情况如下：
我看到了一些在GPflow中使用多输出GPs的例子，比如和。
然而，对于gpflow中的GPR模型类，即使指定了产品内核(即内核*共区域化)，似然方差($\Sigma$)仍然是一个数而不是D数。
有什么办法做到这一点吗？
浏览 0提问于2019-08-22得票数 0
回答已采纳
1回答
我在Python语言中使用Sklearn和GPFlow执行高斯回归。我注意到，对于相同的内核和相同的输入，我得到了非常不同的输出。我必须为sklearn内核添加一个块，因为否则矩阵是奇异的。代码如下：
import matplotlib.pyplot as plt
import numpy as np
# Tensor Flow
import tensorflow as tf
import gpflow
from gpflow.utilities import print_summary
# sklearn
from sklearn.gaussian_process import Gauss
浏览 15提问于2020-02-20得票数 1
2回答
我试图使用GPflow进行多维回归。但我对均值和方差的形状感到困惑。例如:一个二维输入空间X的形状(20,20)应该被预测.我的训练样本是形状(8,2)，这意味着8个训练样本的整体两个维度。Y-值是形状(8,1)，当然，这意味着每两个输入维组合的地面真相的一个值。如果我现在使用model.predict_y(X)，我希望得到一个形状的平均值(20,20)，但得到的形状是(20,1)。方差也是如此。我认为这个问题来自y-值的形状，但我不知道如何解决它。
bound = 3
num = 20
X = np.random.uniform(-bound, bound, (num,num))
print
浏览 1提问于2019-02-01得票数 3
回答已采纳
我正在尝试建立一个多维GP回归，最初有两个输出f1(x)，f2(x)。一个输出有点随意，因此我想在这里使用Matern内核: f1'(x)=K_Matern f1(x)。另一个输出f2(x)显示了季节性，其中振幅与f1(x)的值有关: f2'(x)=K_season(x) f1(X)。我一直在尝试通过将这两者与Coreg内核相结合来组合一个合适的内核: K_Matern * Coreg * K_season。由于这似乎不起作用，我想知道我的想法中的错误在哪里。 k1 = gpflow.kernels.Matern32(1, active_dims=[0], lengthsca
浏览 12提问于2019-07-04得票数 0
我习惯于在GPFlow中进行高斯过程回归，它允许您对后验进行解析求解：
import gpflow as gp
from gpflow.kernels import RBF, White, Periodic, Linear
k = RBF(x.shape[1]) + White(x.shape[1])
m = gp.models.GPR(x, y, k)
self.model = m
m.compile()
opt = gp.train.ScipyOptimizer()
opt.minimize(m)
我最近搬到了PyMC3，并试图完成上面提到的同样的事情。我在文档中发现了这段代码()：
#
浏览 3提问于2019-01-14得票数 1
回答已采纳
1回答
在预测步骤中，GPflow是否支持不确定输入？在培训过程中，不确定的输入会怎样？我环顾四周，似乎没有这方面的任何信息。
谢谢。
浏览 0提问于2019-03-12得票数 3
回答已采纳
有没有办法使用克里金法或高斯过程回归来估计外推？
高斯过程对于散乱数据的插值非常有效；但是，我需要外推时间变量的时间序列。
如何使用x变量x_i , i = n, n-1 ,....的历史来推断x(n+1)
flag
例如，在python中：
浏览 1提问于2015-06-28得票数 2
1回答
我正在尝试使gpflow GP回归示例()适应我自己的数据。我有100个模型运行，每个模型在一个数组中有10个参数: modelled_params (100,10)。然后，每个模型在数组中都有一个分数: area_score (100,1)。
我的代码是：
k = gpflow.kernels.Matern52(active_dims=[0]) + gpflow.kernels.Matern52(active_dims=[1]) \
+ gpflow.kernels.Matern52(active_dims=[2]) + gpflow.kernels.Matern52(active_dim
浏览 2提问于2020-06-01得票数 0
1回答
我的用例是:我有一个函数，它接受用户选择的内核，然后迭代数据集中的每个日期，并使用高斯过程回归来使用指定的内核来估计模型。但是，由于我指向内核对象，在运行下一次迭代之前，我需要将它重置为默认值。
import gpflow
class WrapperClass(object):
def __init__(self, kernel):
super().__init__()
self.kernel = kernel
def fit(self, X, y):
m = gpflow.models.GPR(X, y, self.kern
浏览 0提问于2018-04-13得票数 0
回答已采纳
1回答
我的数据集看起来像图片中提供的信息。这是一个回归问题，我必须预测'LOS‘(最后一栏)。我的数据集由大约2000个样本或行组成。我希望从实际数据中创建更多行(合成数据)，以改进我的模型结果。
我发现分类任务很容易，但回归案例有困难。
在python环境中的任何帮助都是非常有用的。
提前感谢
浏览 5提问于2020-06-01得票数 0
1回答
我有一个变量和时间的度量。
我想得到一个有信心带的回归，这样情节听起来是这样的：
给定任意的x，我通过评估N最近测量点的均值和std来“预测”N及其可信度。但我觉得这太天真了。
我想知道是否有可能得到类似的结果机器学习，神经网络，……
我非常熟悉python、sklearn和py手电筒，所以如果您能提出一个实现这些工具的解决方案，我将非常感谢。
浏览 1提问于2019-07-08得票数 0
回答已采纳
1回答
我试图用多维输入数据在GPFlow中实现多输出GP .
我从在GPflow中看到，多维输入可以通过‘定义多维基内核，然后在此基础上应用define’来实现。
我已经编写了以下代码，我知道对于同位素数据(所有的输出都是获得的)，可以使用类似于中描述的东西，但是在这里，由于我需要尝试ICM，所以让我们继续下面的代码。
但是，当我尝试运行以下代码时：
from gpflow.gpr import GPR
import gpflow
import numpy as np
from gpflow.kernels import Coregion
def f(x):
def _y(_x):
浏览 0提问于2019-08-05得票数 3
回答已采纳
1回答
高斯过程wrt特征的偏导数
、、、、
给定一个具有多维特征和标量观测的高斯过程模型，如何在GPyTorch或GPFlow (或scikit learn)中计算每个输入的输出wrt的导数？
浏览 15提问于2020-09-05得票数 1
我使用gpflow进行多输出回归。
我的回归目标是一个三维向量(相关)，我设法用完整的协方差矩阵进行预测。这是我的实现。更具体地说，我在tensorflow之后使用SVGP，其中f_x、Y是张量(我使用的是小型批量培训)。在批量训练中，小型批次中的训练示例是相关的，而我们可以假设它们与训练集中的其他示例独立。因此，在训练和预测过程中，我希望在每个批中实现一个相关的内核，并使用一个完整的协方差矩阵。
kernel = mk.SharedIndependentMok(gpflow.kernels.RBF(args.feat_dim, ARD=False, name="rbf"),
浏览 0提问于2018-12-28得票数 1
我试图在GPFlow中实现变分异方差高斯过程回归。
我的思想是使用变分稀疏高斯过程模型(gpflow.models.SVGP)，用一个自定义的似然表示y的密度，给出两个独立的GPs，f，g。
p(y|f，g) = N(y f，t(g) )，其中t(·)是使g正(现用tf.nn.softplus)的变换。
为了实现这个工作，我将model.num_latent设置为2，但实现这种可能性的方式是logp、conditional_mean、conditional_variance方法只输出形状(N，1)的张量。以下是我目前的实现：
from gpflow.likelihoods import Li
浏览 0提问于2019-08-21得票数 2
我想使用高斯过程回归执行一些多变量回归，就像在GPflow中使用版本2实现的一样。随pip install gpflow==2.0.0rc1一起安装
下面是一些示例代码，它生成一些2D数据，然后尝试使用GPR对其进行拟合，最后计算真实输入数据和GPR预测之间的差异。
最终，我想扩展到更高的维度，并针对验证集进行测试，以检查过度拟合，并尝试其他内核和“自动相关性确定”，但理解如何使其工作是第一步。
谢谢!
下面的代码片段将在jupyter笔记本中工作。
import gpflow
import numpy as np
import matplotlib
from gpflow.utilities
浏览 18提问于2020-02-05得票数 5
回答已采纳
1回答
在GPFlow中，可以将拟合的均值函数添加到GP回归中。当像在基本example中这样做时，结果是不会有由于均值拟合的不确定性而导致的不确定性。例如，在下面的示例中，误差条不会超出可用数据的范围，因为线性平均值的斜率保持在其最佳值不变。有没有一种方法可以解释这些不确定性，以便在外推时误差范围会增长？ (这个问题最初是在issue report中陈述的，但为了更容易访问而移动到这里) ? import numpy as np
import matplotlib.pyplot as plt
import gpflow
from gpflow.utilities import print_
浏览 26提问于2020-03-24得票数 0
回答已采纳
我有一个形状为(900，50)的训练数据集，我试图将其拟合到模型(高斯过程回归)中。此错误与内存错误一起输出。我确实理解计算，但是有没有办法使用scikit批量传递数据呢？我使用的是GPR算法的scikit实现。
浏览 18提问于2019-07-04得票数 0
1回答
我不确定是否要在github上提出一个问题，但我认为这不是一个问题，而不是我缺乏理解，所以我在这里张贴它。
我想先介绍一下GPFlow模型中内核上的超参数(本例中是径向基函数核)。这很容易做到--例如，我可以写：
kern.variance.prior = gpf.priors.Gaussian(0, 1)
关于核方差参数。
我不确定的是，这个语句是如何处理约束参数的，比如上面的方差。它是约束正的，手册写到也有一个无约束的表示，log(exp(theta) - 1)。
我想要了解的是，前面的东西放在什么上面。这个正态分布是放在无约束的表象上，还是直接放在变换的表示法上？后者可能有点奇怪，因为它
浏览 1提问于2019-07-17得票数 1
回答已采纳
在进行GP回归时，在GPflow 2.0中，我想对长尺度设置硬界(即限制长尺度优化范围)。在这个线程()之后，我构建了一个TensorFlow双射链(参见下面的bounded_lengthscale函数)。然而，下面的双射链并不能阻止模型在假定的边界之外进行优化。我需要修改什么才能使bounded_lengthscale函数对优化设置严格的限制？
以下是MRE：
import gpflow
import numpy as np
from gpflow.utilities import print_summary
import tensorflow as tf
from tensorflow_
浏览 2提问于2019-12-27得票数 2
回答已采纳
使用Haversine 2.0，我希望使用GPflow 5/2内核而不是欧几里得距离来实现自定义的Media5/2内核。我在gpflow.kernels.Matern52类的基础上创建了一个自定义类，其中包含一个scaled_squared_dist函数来覆盖从类继承的scaled_squared_euclid_dist。
当前编写的类不会更改Matern52类；与此HaversineKernel_Matern52内核一起的GP回归的行为与Matern52内核的GP回归完全一样。
import gpflow
from gpflow.utilities.ops import square_dis
浏览 1提问于2019-12-28得票数 1
回答已采纳
2回答
当我们在out数据集中使用回归算法时，这是因为我们假设输入数据与某些定量值之间存在某种关系。具体表现为：
$y = f(x)+\varepsilon $，其中x是输入向量，$\varepsilon$是随机误差项。
现在，这个随机误差项可以有任何概率分布吗？
浏览 0提问于2018-06-22得票数 1
2回答
如何改进回归？
、、、、
我想问一下，是否有任何方法可以使回归对于我的数据集真正泛化。
我的问题是，在我用随机森林或SVM回归器训练数据后，它在训练数据集中工作得很好，但当我尝试测试数据集时，它显示出非常糟糕的结果。即使它们有相同的基本方程。
我真的不知道如何改善这一点。这是否意味着我应该继续使用更多的数据集来训练我的回归？
有人能帮我吗？
浏览 1提问于2021-02-04得票数 1
这是我在这个论坛上的第一个问题。我刚开始学习贝叶斯统计。虽然我确实理解贝叶斯方法背后的动机，但对于这些预测的含义我还是有点不清楚。考虑一个标准回归问题，预测给定面积的房子的价格，以平方英尺为单位。假设确定了模型的最优参数(斜率和截距)。任何一栋新房子(x_new)的价格都只是编号-{ The +斜率* x_new}。
在贝叶斯线性回归中，我们使用所谓的后验预测分布(简称PPD).但PPD到底是什么？
1)概率密度函数(pdf)是否具有均值、协方差等参数？如果是这样的话，我如何从这个密度函数中得到房价的单一值？我应该只考虑这个发行版的平均值，还是有先进的技术可供使用？
2)它是否是一个实数，由方
浏览 0提问于2020-05-06得票数 1
正如问题所述，我想知道如何从GPFlow中的SVGP模型中获得噪声方差(而不是信号方差)。为了澄清，噪声方差是指高斯似然的参数，我理解为观测值的预测方差减去潜在函数的预测方差(后者是我所说的信号方差)。
SVGP实际上不是我的目标，我试图理解异方差模型，但它也使用SVGP，所以我想从那里开始。
浏览 14提问于2021-12-06得票数 0
我有一个例子，我必须按顺序调用预测。为什么在这种情况下SVGP的预测要比SGPR更快呢？对于所有稀疏模型，预测的时间复杂度不是都一样吗?还是我遗漏了什么？这是我为测试它运行的代码：
from numpy.random import randn
import gpflow
sgpr = gpflow.models.SGPR(X=randn(70000,8), Y=randn(70000,1), kern=gpflow.kernels.SquaredExponential(8), Z=randn(200,8))
sgpr.predict_y(randn(1,8))
%timeit -n 100
浏览 3提问于2019-12-04得票数 0
回答已采纳
我试图用线性算子进行GP回归，例如，本文由S rkk：在这个例子中从方程(8)中可以看出，对于完全协方差矩阵中的四协方差块(训练和测试数据)，我需要一个不同的核函数。
这绝对是可能的，也是有效的，但我想将其包含在内核定义 of (最好是) GPflow，或GPytorch，GPy等中。
但是，在内核设计的文档中，唯一的可能性是定义一个协方差函数，作用于<code>E 116</code>所有<code>E 217</code><code>E 118</code>协方差块<code>E 219</code&
浏览 12提问于2020-11-23得票数 0
回答已采纳
1回答
我很想知道boosting，随机森林或其他类型的集合模型是否可以进行多维回归。准确地说:这意味着多个输出(多维标签)，而这些输出不是用于分类的。例如，根据一些数据预测一个人的身高和体重，其中有两个输出，每个输出对应于一个高度/重量(如果需要，标签和输出值可以标准化)。当然，你可以用神经网络很容易地做到这一点。我对简单地有多个模型(每个回归输出一个)的小情况不感兴趣。如果是，是否有任何支持此功能的库(我看过的库不支持)？
浏览 0提问于2018-03-22得票数 1
1回答
如何使用高斯输出层训练对实数进行回归的神经网络模型？估计预测的平均参数和std参数。因为在训练期间，只有一个真正有价值的目标。会不会从输出高斯分布中抽取一个样本，然后对目标进行损失？或者会有两个目标，一个是平均值，一个是性病。
亚马逊的深度AR预测模型为时间序列预测做了类似的工作，在该模型中，RNN输出的FC层预测高斯分布的均值和std参数。但是，目标标签将只包含一个实数。那么如何计算损失呢？从高斯分布中提取样本，然后使用它？这种抽样是在RL中进行的，目的是鼓励探索，但我不知道在训练回归模型时是如何做到的
浏览 0提问于2021-11-04得票数 1
我一直试图(粗略地)在一个玩具数据集中训练和保存一个gpflow SVGP模型，主要遵循。
在使用pickle保存模型时(我很感谢这不是推荐的，但我不认为这是这里的主要问题)，我发现了一些不寻常的地方，我认为是意外的行为:如果我们不调用gpflow.utilities.freeze(model)，在尝试pickle model之前，我们就会出错。如果我们确实调用了gpflow.utilities.freeze(model) (丢弃返回的冻结模型)，那么model就可以在没有错误的情况下被腌制。
再生产
最小、可重复的示例
import numpy as np
import gpflow
imp
浏览 3提问于2020-06-03得票数 1
在GPflow中，我有多个时间序列，采样时间在时间序列之间不对齐，并且时间序列可能有不同的长度(纵向数据)。我假设它们是来自同一个GP的独立实现。用svgp和更一般的GPflow来处理这个问题的正确方法是什么？我需要使用共区域化吗？共区域化笔记本假设相关的轨迹，而我希望共享均值/内核，但独立。
浏览 3提问于2020-08-06得票数 0
回答已采纳
高斯过程回归的卖点之一是它不仅提供了预测的模型，而且还提供了预测的不确定性估计。然后，通常用数据拟合的曲线显示图片，并在其周围显示显示不确定性的阴影区域(例如，链接)。这个不确定的范围从数据点变得更厚，在数据点上缩小到零。
我的问题是：
这需要高斯过程吗？与几个最近的数据点之间的简单距离可以用来衡量预测的不确定性吗？因此，任何机器学习方法都可以被认为是概率方法吗？
我的意思是，我们离训练数据越近，我们的预测的不确定性就越小。相反，如果我们离训练数据很远，我们就不能确定我们的预测是准确的。
浏览 0提问于2022-07-02得票数 1
1回答
我正在尝试从运行代码。此代码是为gpflow版本0.4.0编写的。我想更新gpflow 2.5.2版本的代码。我更改了下面一行
gp = gpflow.gpr.GPR(np.empty((0, 2), dtype=safe_learning.config.np_dtype),
np.empty((0, 1), dtype=safe_learning.config.np_dtype),
kernel,
mean_function=mean_function)
至
gp = gp
浏览 14提问于2022-09-13得票数 1
1回答
我正在寻找一个模型的信心，以预测在给定的情况下很好。
所以我有一个模型$f$ (泛型的，让我们用一个显式形式的回归模型来举例说明)。它非常适合于火车集(通过查看例如$r^2$)，它在测试集(通过查看RMSE)上执行得很好。该模型的拟合程度很好，可用于预测。然而，我想知道自信的是如何预测in这个特殊情况的，所以当我通常查看模型的置信度$C$时：
$C(f)$
现在，我想知道用这个模型进行预测的信心(前提是$x$)：
$C(y=f(x))$
我相信，这与列车/测试装置中存在类似观测和类似观测的表现密切相关。
任何有关这方面的暗示都欢迎。
浏览 0提问于2018-08-31得票数 0
1回答
高斯过程回归置信区间的估计
、、、、
这可能是一个奇怪的问题，但当高斯过程回归看到一堆噪声数据而没有太多信号时，它们会做什么？下面我取一堆噪声数据，运行两个不同的GPR实现，它们都产生超微小的置信区间。有没有一个很好的理由来解释为什么会这样？我的直觉告诉我，置信区间应该更大。GPR真的对他们对平均值的估计那么有信心吗？此外，除了添加白噪声核之外，是否有一种适当的方法来填充方差估计？ import numpy as np
import gpflow as gpflow
from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussia
浏览 118提问于2019-03-02得票数 2
回答已采纳
1回答
我想构造一个多输出GP，其中输出之间的相关结构包含一个转换点。当只发生在Coregion核的相关结构中时，核本身(即长核和核族)在变化前后保持不变。
下面是示例(来自GPflow文档1.、2.和我自己的3)。其中：
输出之间有关联结构，但没有变化点，
演示如何在GPflow中构造转换点，
我试图在包含更改点的输出之间建立关联结构。
X1 = np.random.rand(100, 1) # Observed locations for first output
X2 = np.random.rand(50, 1) * 0.5 # Observed
浏览 6提问于2021-07-01得票数 0
回答已采纳
1回答
岭回归能用来解决超定方程吗？
、、、、
超定方程不存在唯一解，但可以用最小二乘法求近似解。我了解到岭回归是一种优化的最小二乘方法，可以更好地拟合病态数据。经过搜索，我没有找到任何使用岭回归来解决超定方程的例子。因此，我认为这要么太简单，无法讨论，要么有一些限制，这样做是不可行的。我不确定是什么原因。
此外，在Python中，通过简单地调用numpy.linalg.lstsq()方法，可以使用最小二乘法来求解超定方程。那么，有没有类似的岭回归方法来解决超定方程呢？
谢谢！
浏览 7提问于2021-05-21得票数 1
1回答
高斯过程回归:标准差意义
、、、、
在以下关于高斯过程回归(GPR)的代码中：
from sklearn.datasets import make_friedman2
from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import DotProduct, WhiteKernel
X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
kernel = DotProduct() + WhiteKernel()
g
浏览 0提问于2019-04-24得票数 2
回答已采纳
我使用regsubsets方法进行线性回归，并偶然发现step()方法用于选择列作为logistic回归方法。
我不确定我们是否可以使用regsubsets或steps进行泊松回归。若能找到R规划中Poisson回归的最佳子集，将是很有帮助的。
浏览 12提问于2022-11-18得票数 0
我试图遵循GPFlow中的多类分类(使用v2.1.3)，如下所述：
与实例不同的是，X向量为10维，可预测的类数为5，但在使用诱导变量时，维数似乎存在误差。我更改了内核，并使用虚拟数据进行可复制性，只想让这些代码运行。我把变量的维数放在这个问题上。对损失的任何计算都会导致以下错误：
ValueError: Dimensions must be equal, but are 10 and 5 for '{{node truediv}} = RealDiv[T=DT_DOUBLE](strided_slice_2, truediv/softplus/forward/IdentityN)
浏览 8提问于2021-10-05得票数 0
回答已采纳
1回答
监督学习分类
、、、、
我知道k-NN是一种分类方案，对于你想要分类的每个点，取k个最近的邻居，然后使用一定的距离，并使用多数投票对点进行分类。 有没有一个类似的回归算法，只有一个类，A类，你有一个数据集，在特征空间中的一些(而不是所有)点在A类中，为了计算特征空间中的一个新点在A类中的概率，你看一下A类的点在距离k内的密度？
浏览 14提问于2019-01-09得票数 0
在#1435问题之后，我还有一个关于如何使用GPflow的问题。 我在另一个内核中复制了这个问题：https://github.com/avalonhse/BayesNotebook/blob/master/Issue_2_GPFlow_Linear_Classification.ipynb 我的目的是将加性核拟合到二维数据(维度1中的平方指数核和维度2中的线性核)。在#1435的指导下，我已经成功地用内核gpflow.kernels.Linear(variance= 0.1)拟合了模型。 Linear kernel 然而，当我按照我最初的计划使用内核gpflow.kernels.Linea
浏览 17提问于2020-04-21得票数 0
1回答
我一直在成功地遵循保存/恢复GPflow模型的方法。但现在我遇到了麻烦。
当我尝试用线性平均函数恢复一个模型时，这个恢复会出现错误。
我认为这个问题出现在tensorflow线性平均函数对象的命名惯例中。上面的"-44dbadbb-0“是随机的，每次重建模型时都会发生变化，所以如果我在保存模型时检查张量名称
from tensorflow.python.tools.inspect_checkpoint import print_tensors_in_checkpoint_file
print_tensors_in_checkpoint_file(file_name='./mod
浏览 1提问于2019-07-11得票数 2
回答已采纳
我想在R中构建一个套索回归模型，并且go-to包似乎是glmnet。然而，glmnet似乎不支持单个预测器，如下所示。这是可行的：
x <- matrix(rexp(200, rate=.1), ncol=20)
y <- matrix(rexp(200, rate=.1), ncol=1)
lasso <- glmnet(x, y, family = "gaussian")
但这不是：
x <- matrix(rexp(200, rate=.1), ncol=1)
y <- matrix(rexp(200, rate=.1), ncol=1)
l
浏览 0提问于2017-10-12得票数 0
特别是，glmnet 暗示它为回归创建了一个高斯族的“广义线性模型”，而scikit--学习暗示没有这样的东西(也就是说，它似乎是一个纯线性回归，而不是泛化的)。但我不确定。
浏览 2提问于2016-03-18得票数 2
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
腾讯会议活动推荐
腾讯云开发者
