gpflow分类实现答案

【问题标题】：gpflow classification implementationgpflow分类实现
【发布时间】：2021-07-17 09:16:30
【问题描述】：

我想使用高斯过程实现一个二元分类模型。根据official documentation，我的代码如下。

X 有 2048 个特征，Y 为 0 或 1。优化模型后，我试图评估性能。

然而，predict_y 方法产生了一个奇怪的结果；预期的pred 应该具有类似 (n_test_samples, 2) 的形状，表示属于 0 类和 1 类的概率。但我得到的结果却是 (n_test_samples, n_training_samples)。

出了什么问题？

def model(X,Y):
  '''
    X: (n_training_samples, n_features)  , my example is (n, 2048)
    Y: (n_training_samples,) , binary classification
  '''
  m = gpflow.models.VGP(
      (X, Y), likelihood=gpflow.likelihoods.Bernoulli(), kernel=gpflow.kernels.SquaredExponential()
  )

  opt = gpflow.optimizers.Scipy()
  opt.minimize(m.training_loss, variables=m.trainable_variables)

  return m

def evaluate(model,X,Y,accuracy, MCC, Kappa):
  '''
    X: (n_test_samples, n_features)  , my example is (n, 2048)
    Y: (n_test_samples,) , binary classification
  '''
  pred,_ = model.predict_y(X)
  print('pred.shape is {}'.format(pred)) # I got wired result (num of test samples <X.shape[0]>, num of training samples)
  accuracy += [accuracy_score(Y, pred)]
  MCC += [matthews_corrcoef(Y, pred)]
  Kappa += [cohen_kappa_score(Y, pred)]
  return accuracy, MCC, Kappa

【问题讨论】：

请发布minimal reproducible example，去掉所有不必要的细节（精度、kappa 系数、将内容包装到函数中等）并包括示例数据和必要的导入。
正如@desertnaut 所指出的，发布一个最小的可重现示例对于让人们更容易实际帮助您至关重要！仅查看您的文档字符串，您的 Y 观察值的形状似乎是错误的 - 它应该始终是排名 2，如果您只有一个输出，它应该是形状 (n_training_samples, 1)。

标签： python machine-learning gpflow gaussian-process

【解决方案1】：

我终于明白了。原因是 VGP 模型的 Y 应该具有类似 (n_training_samples, 1) 的形状，而不是 (n_training_samples,)。

【讨论】：