GPy自学第一课

最新推荐文章于 2024-11-06 04:20:57 发布

傻叽

最新推荐文章于 2024-11-06 04:20:57 发布

阅读量3k

点赞数 1

分类专栏： GPy学习笔记文章标签： python 机器学习

本文链接：https://blog.csdn.net/hisazakura/article/details/112293304

版权

GPy学习笔记专栏收录该内容

2 篇文章

订阅专栏

本文介绍了GPy库的基础用法，它是一个用于高斯过程的框架，强调易用性、可重复性和伸缩性。通过实例展示了如何创建回归模型，进行参数修改和优化，并保存及加载模型。GPy支持稀疏高斯过程，允许高效处理大量数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

GPy自学第一课

GPy简介

GPy是Sheffield机器学习小组开发的，基于高斯过程的框架。具有相对高的运行速度和可靠性。其三大支柱功能包括：

易用性：GPy自身构建的参数化框架支持以一种智能和直观的方式使用和展示参数。

# 生成一组数据
X = np.random.uniform(0, 10, (200, 1))   #在0到10之间随机生成200
f = np.sin(.3*X) + .3*np.cos(1.3*X)      #生成一组函数
f -= f.mean()
Y = f+np.random.normal(0, .1, f.shape)
plt.scatter(X, Y)

# 创建一个回归模型
m = GPy.models.GPRegression(X, Y)

# 修改参数
m.rbf.lengthscale = 1.5
# GPy在修改一个参数的时候，整个模型都会自动更新，不需要其他额外的处理

# 优化模型
m.optimize(messages=1)

_=m.plot()

运行结果：
在这里插入图片描述

可重复性：GPy有一个内建的保存和加载功能，支持在一个文件中pickle一个带有所有参数和数据的模型。便于把模型转移到另一个位置，或者用不同的初始化参数重新运行模型。

# 保存模型
pickle()
# 加载模型：
GPy.load()

伸缩性：GPy参数化框架可以处理任意多的数据，在控制中只需要输入内存和速度效率设置参数。

# 稀疏高斯过程
GPy.core.SparseGP?
GPy.core.SVGP?

该模型允许使用变分的DTC或FITC(高斯似然)以及基于这些的非共轭稀疏方法进行(近似)推理。