以二维特征数组作为输入的高斯过程 - scikit-learn

Question

我需要使用 scikit-learn 库在 Python 中实现 GPR（高斯过程回归）。

我的输入 X 有两个特征。前任。 X=[x1, x2]。输出是一维 y=[y1]

我想使用两个内核； RBF 和 Matern，这样 RBF 使用 'x1' 特征，而 Matern 使用 'x2' 特征。我尝试了以下方法：

import numpy as np
from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import Matern as M, RBF as R

X = np.matrix([[1.,2], [3.,4], [5.,1], [6.,5],[4, 7.],[ 9,8.], [1.,2], [3.,4], [5.,1], [6.,5],[4, 7.],[ 9,8.],[1.,2], [3.,4], [5.,1], [6.,5],[4, 7.],[ 9,8.]]).T

y=[0.84147098,  0.42336002, -4.79462137, -1.67649299,  4.59890619,  7.91486597, 0.84147098,  0.42336002, -4.79462137, -1.67649299,  4.59890619,  7.91486597, 0.84147098,  0.42336002, -4.79462137, -1.67649299,  4.59890619,  7.91486597]

kernel = R(X[0]) * M(X[1])
gp = GaussianProcessRegressor(kernel=kernel)

gp.fit(X, y)

但这给出了一个错误

ValueError: Found input variables with inconsistent numbers of samples: [2, 18]

我尝试了几种方法，但找不到解决方案。如果有人能提供帮助，我将不胜感激。

Answer 1

你的X不应该是矩阵，而是二维元素的数组：

X = np.array([[1.,2], [3.,4], [5.,1], [6.,5],[4, 7.],[ 9,8.], [1.,2], [3.,4], [5.,1], [6.,5],[4, 7.],[ 9,8.],[1.,2], [3.,4], [5.,1], [6.,5],[4, 7.],[ 9,8.]])

# rest of your code as is

gp.fit(X, y)

# result:

GaussianProcessRegressor(alpha=1e-10, copy_X_train=True,
             kernel=RBF(length_scale=[1, 2]) * Matern(length_scale=[3, 4], nu=1.5),
             n_restarts_optimizer=0, normalize_y=False,
             optimizer='fmin_l_bfgs_b', random_state=None)

也就是说，你的内核定义不会做你想做的事；您很可能必须将其更改为

kernel = R([1,0]) * M([0,1])

但我不太确定 - 请务必检查文档以了解 RBF and Matern 内核的正确参数...

以二维特征数组作为输入的高斯过程 - scikit-learn

Gaussian process with 2D feature array as input - scikit-learn

python

machine-learning

scikit-learn

gaussian-process