Воспроизведение гауссовского процесса регрессии максимального правдоподобия в Python - PullRequest
Новая
       63

Воспроизведение гауссовского процесса регрессии максимального правдоподобия в Python

5 голосов
/ 18 марта 2020

Я реализовал функцию в R для оценки параметров гауссовского процесса основной функции c sin. К сожалению, проект должен быть выполнен в Python, и я пытался воспроизвести поведение hetGP библиотеки R в python, используя SKlearn, но мне трудно сопоставить первое с последующим.

My понимание процессов Гаусса все еще ограничено, и я начинающий со sklearn, поэтому я был бы очень признателен за помощь в этом.

Мой код R: 

library(hetGP)

set.seed(123)
nvar <- 2
n <- 400
r <- 1
f <- function(x) sin(sum(x))
true_C <- matrix(1/8 * (3 + 2 * cos(2) - cos(4)), nrow = 2, ncol = 2)

design <- matrix(runif(nvar*n), ncol = nvar)
response <- apply(design, 1, f)
model <- mleHomGP(design, response, lower = rep(1e-4, nvar), upper = rep(1,nvar))

Позже в коде, Я использую model$Ki и model$theta

model$theta: 0.9396363 0.9669170
dim(model$ki): 400 400

Мой Python код до сих пор: 

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

n = 400
n_var = 2
real_c = np.full((2, 2), 1 / 8 * (3 + 2 * np.cos(2) - np.cos(4)))
design = np.random.uniform(size=n * n_var).reshape(-1, 2)
test = np.random.uniform(size=n * n_var).reshape(-1, 2)
response = np.apply_along_axis(lambda x: np.sin(np.sum(x)), 1, design)
kernel = RBF(length_scale=(1, 1))
gpr = GaussianProcessRegressor(kernel=kernel, n_restarts_optimizer=10,
                               optimizer="fmin_l_bfgs_b").fit(design, response)
gpr.predict(test, return_std=True)
theta = gpr.kernel_.get_params()["length_scale"]
#theta = gpr.kernel_.theta
k_inv = gpr._K_inv

theta = [1.78106558 1.80083585]

1 Ответ

5 голосов
/ 23 марта 2020

Спустя больше недели я наконец-то нашел ответ.

(Рассматривая реализации Scikit-learn и hetGP)

В их реализациях есть много разных моментов.

  • Во-первых, уровень шума и сигма должны быть явно созданы в sklearn, иначе они не будут оптимизированы.
  • Кроме того, лучший способ найти k_inv - это использовать GaussianProcessRegressor.L_, нижняя часть разложения Холецкого K.
  • Наконец hetGP не масштабирует их K на sigma, поэтому мы должны сделать это вручную.

Как я это сделал: 

import scipy
import numpy as np
from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import ConstantKernel, RBF, WhiteKernel


n = 400
n_var = 2

design = np.random.uniform(size=n * n_var).reshape((-1, n_var))
response = np.array([np.sin(np.sum(row)) for row in design])

real_c = np.full((n_var, n_var), 1 / 8 * (3 + 2 * np.cos(2) - np.cos(4)))

# Kernel has to have a constant kernel for sigma, a n_var dimension length_scale and a white kernel to optimize the noise
kernel = ConstantKernel(1e-8) * RBF(length_scale=np.array([1.0, 1.0])) + WhiteKernel(noise_level=1)

gpr = GaussianProcessRegressor(kernel=kernel, alpha=1e-10)    
gpr.fit(design, response)

L_inv = scipy.linalg.solve_triangular(gpr.L_.T, np.eye(gpr.L_.shape[0]))
k_inv = L_inv.dot(L_inv.T)
sigma_f = gpr.kernel_.k1.get_params()['k1__constant_value']

theta = gpr.kernel_.k1.get_params()['k2__length_scale']

Ki = k_inv * sigma_f
...