SKlearn：高斯过程回归（长度尺度值
SKlearn: Gaussian Process Regression (legth scale value
我正在尝试使用 GaussianProcessRegressor 拟合 GP，并尝试获取长度比例值（超参数）。我尝试了 gp.kernel_.get_params() 并获得了所有参数（结果如下）。但是，我只想将向量 length_scale=[7.68, 100, 6.04] 保存到文件或变量中，以便我可以在 post 处理特征中使用它。
如果您有任何想法，我将不胜感激。
gp.params_:
{'k1': 2.11**2, 'k2': RBF(length_scale=[7.68, 100, 6.04]), 'k1__constant_value': 4.445109596469165, 'k1__constant_value_bounds': (0.001, 1000.0), 'k2__length_scale': array([ 7.67686023, 100. , 6.04453717]), 'k2__length_scale_bounds': (0.01, 100.0)}
我找到了答案。如果我们写命令，我们可以保存向量：
length_scale_vec = gp.kernel_.get_params()['k2__length_scale']
print('length_scale_vec=',length_scale_vec) 的结果：
length_scale_vec= [7.68 100 6.04]
我正在尝试使用 GaussianProcessRegressor 拟合 GP，并尝试获取长度比例值（超参数）。我尝试了 gp.kernel_.get_params() 并获得了所有参数（结果如下）。但是，我只想将向量 length_scale=[7.68, 100, 6.04] 保存到文件或变量中，以便我可以在 post 处理特征中使用它。
如果您有任何想法，我将不胜感激。
gp.params_:
{'k1': 2.11**2, 'k2': RBF(length_scale=[7.68, 100, 6.04]), 'k1__constant_value': 4.445109596469165, 'k1__constant_value_bounds': (0.001, 1000.0), 'k2__length_scale': array([ 7.67686023, 100. , 6.04453717]), 'k2__length_scale_bounds': (0.01, 100.0)}
我找到了答案。如果我们写命令，我们可以保存向量：
length_scale_vec = gp.kernel_.get_params()['k2__length_scale']
print('length_scale_vec=',length_scale_vec) 的结果：
length_scale_vec= [7.68 100 6.04]