稀疏 GP 回归的初始种子
initial seed for sparse GP regression
我使用稀疏高斯过程从 Rasmussen 进行回归。
[http://www.tsc.uc3m.es/~miguel/downloads.php][1]
预测平均值的语法是：
[~, mu_1, ~, ~, loghyper] = ssgpr_ui(Xtrain, Ytrain, Xtest, Ytest, m);
我的问题是，作者指出初始超参数搜索条件对于不同的迭代是不同的，因此模型的结果与每次迭代都不同。有什么方法可以确保将最佳初始化或种子条件设置为具有高质量的超参数以获得最佳预测和可重现的结果？
为了每次都获得相同的预测，可以通过以下方式设置种子
stream = RandStream('mt19937ar','Seed',123456);
RandStream.setGlobalStream(stream);
但是，没有设置最佳种子的标准程序。这样做会导致模型过度拟合，因为我们给出了太多的理想条件来拟合 @mikkola
引用的训练数据
我使用稀疏高斯过程从 Rasmussen 进行回归。 [http://www.tsc.uc3m.es/~miguel/downloads.php][1]
预测平均值的语法是：
[~, mu_1, ~, ~, loghyper] = ssgpr_ui(Xtrain, Ytrain, Xtest, Ytest, m);
我的问题是，作者指出初始超参数搜索条件对于不同的迭代是不同的，因此模型的结果与每次迭代都不同。有什么方法可以确保将最佳初始化或种子条件设置为具有高质量的超参数以获得最佳预测和可重现的结果？
为了每次都获得相同的预测，可以通过以下方式设置种子
stream = RandStream('mt19937ar','Seed',123456);
RandStream.setGlobalStream(stream);
但是，没有设置最佳种子的标准程序。这样做会导致模型过度拟合，因为我们给出了太多的理想条件来拟合 @mikkola
引用的训练数据