高斯过程回归的内核参数：如何在 Scikit-learn 中获取它们？答案

【问题标题】：Kernel parameters of Gaussian Process Regression: How to get them in Scikit-learn?高斯过程回归的内核参数：如何在 Scikit-learn 中获取它们？
【发布时间】：2018-10-21 14:37:32
【问题描述】：

我在使用 Scikit-learn 的 GaussianProcessRegressor 的回归运算中使用平方指数内核或 RBF。此外，我使用内部可用的优化器'fmin_l_bfgs_b'（L-BFGS-B 算法）来优化内核参数。在我的例子中，内核参数是长度尺度和信号方差。关于log_marginal_likelihood的文档如下：

我按照此文档打印了GPML kernel 和log_marginal_likelihood。以下是代码sn-p：

print("GPML kernel: %s" % gp.kernel_)
print("Log-marginal-likelihood:",
       gp.log_marginal_likelihood(gp.kernel_.theta, eval_gradient = True))

在控制台打印以下值：

    GPML kernel: 31.6**2 * RBF(length_scale=1.94)
Log-marginal-likelihood: (-115.33295413296841, array([ 1.01038168e+02, -2.16465175e-07]))

在这里，我无法计算出在对数边际似然处打印的值。数组里面的值是什么？

我关于回归的代码 sn-p 如下：

x_train = np.array([[0,0],[2,2],[3,3]])
y_train = np.array([200,321,417])
xvalues = np.array([0,1,2,3])
yvalues = np.array([0,1,2,3])
a,b = np.meshgrid(xvalues,yvalues)
positions = np.vstack([a.ravel(), b.ravel()])
x_test = (np.array(positions)).T
kernel = C(1.0, (1e-3, 1e3)) * RBF(10)
gp = GaussianProcessRegressor(kernel=kernel, optimizer = 'fmin_l_bfgs_b',alpha = 1.5, n_restarts_optimizer=5)
gp.fit(x_train, y_train)
y_pred_test, sigma = gp.predict(x_test, return_std =True)

我打印内核参数的方法是否正确？

谢谢！

【问题讨论】：

标签： python scikit-learn regression hyperparameters

【解决方案1】：

gp.log_marginal_likelihood 返回的值在您附加的文档中指示，第一个值实际上是所传递参数的结果对数边际可能性，在您的情况下为gp.kernel_.theta，并且数组中的值是梯度尊重内核的参数。

实际得到优化后的内核参数。使用返回的内核：

gp.kernel_.get_params()

它返回一个包含参数的字典，或者您可以使用以下方法单独获取它们：

gp.kernel_.k1

和

gp.kernel_.k2

【讨论】：