博客探讨了在scikit-learn中使用高斯过程回归进行多输出建模的问题。尽管scikit-learn的predict方法返回的是每个输出的协方差矩阵，但它无法真正处理多输出的复杂性。文章引用了科学研究，指出多输出高斯过程回归是一个活跃的研究领域，现有的方法往往忽略输出之间的相关性。推荐了一个名为runlmc的Python工具箱，该工具箱专门用于处理多输出GP建模。
好吧，你无意中碰上了冰山......
作为前奏，让我们明确指出方差和标准差的概念仅适用于标量变量;对于矢量变量(比如你自己的3d输出)，方差的概念不再有意义，而是使用协方差矩阵(Wikipedia，Wolfram) .
继续前奏，你的 sigma 的形状确实如预期的那样根据 predict 方法的scikit-learn docs(即你的情况下没有编码错误)：
返回：y_mean：array，shape =(n_samples，[n_output_dims])查询指向y_std的预测分布的平均值：array，shape =(n_samples，)，optional查询点处预测分布的标准偏差 . 仅在return_std为True时返回 . y_cov：array，shape =(n_samples，n_samples)，可选的联合预测分布的协方差，查询点 . 仅在return_cov为True时返回 .
结合我之前关于协方差矩阵的评论，第一个选择是尝试使用参数 return_cov=True 的 predict 函数(因为要求矢量变量的方差是没有意义的);但同样，这将导致16x16矩阵，而不是3x3矩阵(3个输出变量的协方差矩阵的预期形状)......
澄清了这些细节之后，让我们继续讨论这个问题的本质 .
问题的核心在于实践和相关教程中很少提及(甚至暗示)的事情：具有多个输出的高斯过程回归是 highly non-trivial ，仍然是一个活跃的研究领域 . 可以说，scikit-learn无法真正处理这个案例，尽管事实上它表面上似乎没有发出至少一些相关的警告 .
最低0.47元/天 解锁文章
扫一扫
1122
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
