scikit learn 中的高斯处理回归，无需内核梯度评估

Question

我正在使用 sklearn 中的模块 GaussianProcessesRegression 进行简单的高斯回归。但是我正在尝试实现自己的内核，而不是模块内核提供的内核。

我在优化超参数时遇到问题（可能是我错误地实现了内核梯度并且我没有看到错误）。所以我的问题是：

如何在优化期间不评估内核梯度的情况下运行 GaussianProcessesRegression 模块的方法 `fit'（超参数优化发生的地方）？

从文档来看，应该可以通过设置变量 `eval_gradient=False' 但实际上我不能用这个变量调用任何方法。

这是我正在使用的代码的一个想法：

import numpy as np
from sklearn.gaussian_process import GaussianProcessRegressor
import kernels as my_kernel

kernel1 = 1.0*my_kernel.RBF_D(length_scale=np.linspace(1,10,10), length_scale_bounds=(1e-3, 100.0))

gp = GaussianProcessRegressor(kernel=kernel1, n_restarts_optimizer=10)
gp.fit(Xtrain,Ytrain)
hyperp = = gp.kernel_.get_params()
y_gp,y_train_std=gp.predict(Xtrain,return_std=True)

如果我尝试打电话

gp = GaussianProcessRegressor(kernel=kernel, n_restarts_optimizer=0,eval_gradient=False)

我有错误：

` Traceback（最近一次调用最后一次）：...

gp = GaussianProcessRegressor(kernel=kernel1, n_restarts_optimizer=10,eval_gradient=False) TypeError: init() 得到了一个意外的关键字参数 'eval_gradient' '

同样，如果我尝试

gp.fit(Xtrain, Ytrain, eval_gradient=False)

` TypeError: fit() got an unexpected keyword argument 'eval_gradient' '

很明显它不起作用，但我没有任何其他想法。有关如何执行此操作的任何提示？

（我使用自己的内核与这个问题无关）

Answer 1

你提到了“文档”，http://scikit-learn.org/stable/modules/generated/sklearn.gaussian_process.GaussianProcessRegressor.html

说明GPR可以调用你提供的优化器，在调用目标函数时可以指定eval_gradient。