我试图通过扩展 https://pymc-devs.github.io/pymc3/notebooks/GP-introduction.html 中的第一个示例来运行具有两个特征的高斯过程回归
n = 20
X = np.array([list(a) for a in zip(np.sort(3*np.random.rand(n)), np.sort(3*np.random.rand(n)))])
y = np.random.normal(size=n)
with pm.Model() as model:
# priors on the covariance function hyperparameters
l = np.array([pm.Uniform('l1', 0, 10), pm.Uniform('l2', 0, 10)])
# uninformative prior on the function variance
log_s2_f = pm.Uniform('log_s2_f', lower=-10, upper=5)
s2_f = pm.Deterministic('s2_f', tt.exp(log_s2_f))
# uninformative prior on the noise variance
log_s2_n = pm.Uniform('log_s2_n', lower=-10, upper=5)
s2_n = pm.Deterministic('s2_n', tt.exp(log_s2_n))
# covariance functions for the function f and the noise
f_cov = s2_f * pm.gp.cov.ExpQuad(input_dim=2, lengthscales=l)
y_obs = pm.gp.GP('y_obs', cov_func=f_cov, sigma=s2_n, observed={'X':X, 'Y':y})
这里是
X
的输入和 y
用于测试输入的形状。当我运行代码时,我得到一个 theano
AsTensorError
在 pymc3 中追溯到此的错误/usr/local/lib/python2.7/site-packages/pymc3/gp/cov.pyc in square_dist(self, X, Z)
124
125 def square_dist(self, X, Z):
--> 126 X = tt.mul(X, 1.0 / self.lengthscales)
127 Xs = tt.sum(tt.square(X), 1)
128 if Z is None:
是否可以在 pymc3 中运行多个高斯回归?如果是这样,我确定我在某处弄乱了尺寸。
最佳答案
我在以下博客中找到了我的问题的解决方案,这显然是 pymc3 的引用点。
https://discourse.pymc.io/t/multidimensional-input-using-gaussian-process/128 ,
它们不是将协方差先验定义为分布数组,而是定义为具有相应分量数量的多项式分布。通过更改上面的代码的以下行,一切都按预期工作
with pm.Model() as model:
# priors on the covariance function hyperparameters
l = pm.Gamma('l', 1, 1, shape=2)
关于python-2.7 - pymc3 多重高斯过程回归,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/45577974/