python - 以2D特征数组作为输入的高斯过程-scikit-learn

我需要使用scikit-learn库在Python中实现GPR(高斯过程回归)。

我的输入X具有两个功能。
前任。 X = [x1，x2]。输出是一维y = [y1]

我要使用两个内核； RBF和Matern，例如RBF使用'x1'功能，而Matern使用'x2'功能。
我尝试了以下方法:

import numpy as np
from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import Matern as M, RBF as R

X = np.matrix([[1.,2], [3.,4], [5.,1], [6.,5],[4, 7.],[ 9,8.], [1.,2], [3.,4], [5.,1], [6.,5],[4, 7.],[ 9,8.],[1.,2], [3.,4], [5.,1], [6.,5],[4, 7.],[ 9,8.]]).T

y=[0.84147098,  0.42336002, -4.79462137, -1.67649299,  4.59890619,  7.91486597, 0.84147098,  0.42336002, -4.79462137, -1.67649299,  4.59890619,  7.91486597, 0.84147098,  0.42336002, -4.79462137, -1.67649299,  4.59890619,  7.91486597]

kernel = R(X[0]) * M(X[1])
gp = GaussianProcessRegressor(kernel=kernel)

gp.fit(X, y)

但这给出了一个错误



我尝试了几种方法，但找不到解决方案。非常感谢有人能帮上忙。

最佳答案

您的X不应是矩阵，而应是2D元素的数组:

X = np.array([[1.,2], [3.,4], [5.,1], [6.,5],[4, 7.],[ 9,8.], [1.,2], [3.,4], [5.,1], [6.,5],[4, 7.],[ 9,8.],[1.,2], [3.,4], [5.,1], [6.,5],[4, 7.],[ 9,8.]])

# rest of your code as is

gp.fit(X, y)

# result:

GaussianProcessRegressor(alpha=1e-10, copy_X_train=True,
             kernel=RBF(length_scale=[1, 2]) * Matern(length_scale=[3, 4], nu=1.5),
             n_restarts_optimizer=0, normalize_y=False,
             optimizer='fmin_l_bfgs_b', random_state=None)

就是说，您的内核定义不会执行您想做的事情；最有可能您必须将其更改为

kernel = R([1,0]) * M([0,1])

但我对此不太确定-请务必检查文档以获取RBF和Matern内核的正确参数...