python - Sklearn:使用预训练的超参数高斯过程回归

将GPR拟合到我的数据上需要花费几个小时，因此，我想重用预先训练的GausianProcessRegressor

我想我找到了解决方法，它似乎产生了相同的结果，但是我想知道是否有更好的解决方案，因为这有点像黑客。

kernel = ConstantKernel(0.25, (1e-3, 1e3)) * RBF(hyper_params_rbf, (1e-3, 1e4)) + WhiteKernel(0.0002, (1e-23, 1e3))
gp = GaussianProcessRegressor(kernel=kernel, n_restarts_optimizer=30)

#normalize the data

train = False

if train:
    print('Fitting')
    gp.fit(X, y)
else:
    gp.kernel_= kernel
    gp.X_train_ = X
    gp.y_train_ = y
    gp._y_train_mean = np.zeros(1) #unuse, as Y is not normalized in Regressor
    # Precompute quantities required for predictions which are independent of actual query points
    K = gp.kernel_(gp.X_train_)
    K[np.diag_indices_from(K)] += gp.alpha
    gp.L_ = cholesky(K, lower=True)
    gp.alpha_ = cho_solve((gp.L_, True), gp.y_train_)

y_pred, sigma = gp.predict(x,  return_std=True)

最佳答案

您应该使用GaussianProcessRegressor或pickle库序列化joblib模型。

from sklearn.externals import joblib

if train:
    print('Fitting')
    gp.fit(X, y)
    joblib.dump(gp, 'filename.pkl')
else:
    gp = joblib.load('filename.pkl')

请参阅scikit-learn here的帮助

关于python - Sklearn:使用预训练的超参数高斯过程回归，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/49817982/