Gaussian Process Regression
2016-07-31 18:00
411 查看
高斯过程的基本意义在于变量间的相关性仅与间隔有关。(相对距离)
实质上高斯回归就是利用了高斯条件分布导出了分布而已,
至于其均值表达形式(有噪声)与最小二乘回归(岭回归)类似是利用了条件分布是投影的意义,
是直觉的。(不难看到套上分布假设的核岭回归就是所谓有噪声的高斯回归)
非噪声的高斯回归可以看作对一个曲线拟合的概率显示。(拟合曲线有概率区间)
参数corr可以选择回归所用的核。给出了如高斯核这样的设定后,可以相应地给出theta0 thetaL thetaU
这些参数 这些参数设定核参数合适的极大似然估计的初值及上下限。
下面采用了默认的gaussian核(L2),并输出均方误。
参数nugget可被用来设定高斯回归的噪声(对角阵或数量阵)
实质上高斯回归就是利用了高斯条件分布导出了分布而已,
至于其均值表达形式(有噪声)与最小二乘回归(岭回归)类似是利用了条件分布是投影的意义,
是直觉的。(不难看到套上分布假设的核岭回归就是所谓有噪声的高斯回归)
非噪声的高斯回归可以看作对一个曲线拟合的概率显示。(拟合曲线有概率区间)
参数corr可以选择回归所用的核。给出了如高斯核这样的设定后,可以相应地给出theta0 thetaL thetaU
这些参数 这些参数设定核参数合适的极大似然估计的初值及上下限。
下面采用了默认的gaussian核(L2),并输出均方误。
import numpy as np from sklearn import gaussian_process def f(x): return x * np.sin(x) X = np.atleast_2d([1.,3.,5.,6.,7.,8.]).T y = f(X).ravel() x = np.atleast_2d(np.linspace(0, 10, 1000)).T gp = gaussian_process.GaussianProcess(theta0 = 1e-2, thetaL = 1e-4, thetaU = 1e-1) gp.fit(X, y) y_pred, sigma2_pred = gp.predict(x, eval_MSE = True) print "y_pred :" print y_pred print "sigma2_pred :" print sigma2_pred
参数nugget可被用来设定高斯回归的噪声(对角阵或数量阵)
相关文章推荐
- 高斯过程回归(Gaussian Process Regression)
- 2015-《Sparse Gaussian Process Regression for Compliant, Real-Time Robot Control》
- sparse linear regression with beta process priors
- sparse linear regression with beta process priors
- Online Sparse Gaussian Process Based Human Motion Intent Learning for an Electrically Actuated Lower
- Dirichlet Process Gaussian Mixture Models
- Gaussian Process
- Gaussian Processes for Regression 阅读笔记
- 维纳过程(Wiener Process)与高斯过程(Gaussian Process)
- Gaussian Processes for Regression
- Gaussian Process dynamic programming笔记
- 使用Process进行DOS命令交互的简单应用
- pip出现Fatal error in launcher: Unable to create process using '"'
- Cheng's Regression Challenge
- processlist中哪些状态要引起关注
- v$session/v$process视图涉及的相关会话信息的查询
- 同一台PC安装了多版本python,且均配置了环境变量,pip list的时候提示:failed to create process
- JavaScript----Performance Tool and Process
- Neither user 10029 nor current process has android.permission.WRITE_MEDIA_STORAGE.
- Deep learning------------softmax regression