gpflow分类实现

Question

我想使用高斯过程实现二进制 class化模型。根据official documentation，我有如下代码。

X 有 2048 个特征，Y 不是 0 就是 1。优化模型后，我正在尝试评估性能。

然而，predict_y 方法产生了一个奇怪的结果；预期的 pred 应该有一个像 (n_test_samples, 2) 的形状，它代表 class 0 和 1 的概率。但是我得到的结果却是 (n_test_samples , n_training_samples).

出了什么问题？

def model(X,Y):
  '''
    X: (n_training_samples, n_features)  , my example is (n, 2048)
    Y: (n_training_samples,) , binary classification
  '''
  m = gpflow.models.VGP(
      (X, Y), likelihood=gpflow.likelihoods.Bernoulli(), kernel=gpflow.kernels.SquaredExponential()
  )

  opt = gpflow.optimizers.Scipy()
  opt.minimize(m.training_loss, variables=m.trainable_variables)

  return m

def evaluate(model,X,Y,accuracy, MCC, Kappa):
  '''
    X: (n_test_samples, n_features)  , my example is (n, 2048)
    Y: (n_test_samples,) , binary classification
  '''
  pred,_ = model.predict_y(X)
  print('pred.shape is {}'.format(pred)) # I got wired result (num of test samples <X.shape[0]>, num of training samples)
  accuracy += [accuracy_score(Y, pred)]
  MCC += [matthews_corrcoef(Y, pred)]
  Kappa += [cohen_kappa_score(Y, pred)]
  return accuracy, MCC, Kappa

Answer 1

我终于明白了。原因是 VGP 模型的 Y 形状应该像 (n_training_samples, 1) 而不是 (n_training_samples,).

gpflow分类实现

gpflow classification implementation

python

machine-learning

gpflow

gaussian-process