Sklearn：使用预训练的超参数高斯过程回归

Question

在我的数据上安装 GPR 需要几个小时，因此，我想重用我的预训练 GausianProcessRegressor

我想我找到了一个解决方法，它似乎产生了相同的结果，但我想知道是否有更好的解决方案，因为这有点 hack。

kernel = ConstantKernel(0.25, (1e-3, 1e3)) * RBF(hyper_params_rbf, (1e-3, 1e4)) + WhiteKernel(0.0002, (1e-23, 1e3))
gp = GaussianProcessRegressor(kernel=kernel, n_restarts_optimizer=30)

#normalize the data

train = False

if train:
    print('Fitting')
    gp.fit(X, y)
else:
    gp.kernel_= kernel
    gp.X_train_ = X
    gp.y_train_ = y
    gp._y_train_mean = np.zeros(1) #unuse, as Y is not normalized in Regressor
    # Precompute quantities required for predictions which are independent of actual query points
    K = gp.kernel_(gp.X_train_)
    K[np.diag_indices_from(K)] += gp.alpha
    gp.L_ = cholesky(K, lower=True)
    gp.alpha_ = cho_solve((gp.L_, True), gp.y_train_)  

y_pred, sigma = gp.predict(x,  return_std=True)

Answer 1

您应该使用 pickle 或 joblib 库序列化您的 GaussianProcessRegressor 模型。

from sklearn.externals import joblib

if train:
    print('Fitting')
    gp.fit(X, y)
    joblib.dump(gp, 'filename.pkl') 
else:
    gp = joblib.load('filename.pkl')

查看 scikit-learn 的帮助 here

Sklearn：使用预训练的超参数高斯过程回归

Sklearn: Using pretrained hyperparameters Gaussian Process Regression

python

regression

gaussian

scikit-learn