高斯过程回归的内核参数：如何在Scikit-learn中获取它们？

Question

我在使用Scikit-learn的GaussianProcessRegressor进行回归操作时，使用了平方指数核或RBF。此外，我还使用内部可用的优化器'fmin_l_bfgs_b'（L-BFGS-B算法）来优化核参数。在我的情况下，核参数是长度尺度和信号方差。关于log_marginal_likelihood的文档如下：

我按照这份文档打印了GPML kernel和log_marginal_likelihood。以下是代码片段：

print("GPML kernel: %s" % gp.kernel_)
print("Log-marginal-likelihood:",
       gp.log_marginal_likelihood(gp.kernel_.theta, eval_gradient = True))

以下值将在控制台打印：

    GPML kernel: 31.6**2 * RBF(length_scale=1.94)
Log-marginal-likelihood: (-115.33295413296841, array([ 1.01038168e+02, -2.16465175e-07]))

在这里，我无法理解Log-marginal-likelihood打印的值。数组中的值是什么？

我关于回归的代码片段如下：

x_train = np.array([[0,0],[2,2],[3,3]])
y_train = np.array([200,321,417])
xvalues = np.array([0,1,2,3])
yvalues = np.array([0,1,2,3])
a,b = np.meshgrid(xvalues,yvalues)
positions = np.vstack([a.ravel(), b.ravel()])
x_test = (np.array(positions)).T
kernel = C(1.0, (1e-3, 1e3)) * RBF(10)
gp = GaussianProcessRegressor(kernel=kernel, optimizer = 'fmin_l_bfgs_b',alpha = 1.5, n_restarts_optimizer=5)
gp.fit(x_train, y_train)
y_pred_test, sigma = gp.predict(x_test, return_std =True)

我的打印内核参数的方法正确吗？

谢谢！

- santobedi

Answer 1

< p > < code > gp.log_marginal_likelihood 返回的值在您附加的文档中已指示，第一个值实际上是传递参数（在您的情况下为< code > gp.kernel_.theta ）的结果对数边际似然，而数组中的值是相对于内核参数的梯度。

要实际获得优化后的结果内核参数，请使用返回的内核：

gp.kernel_.get_params()

该函数将返回一个包含参数的字典，或者您可以使用以下方法逐个获取它们：

gp.kernel_.k1

并且

gp.kernel_.k2

- Dan Reia