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!