Я пытаюсь использовать sklearn.gaussian_process для регрессии V = F (x, y, z, u, w) так, чтобы мое ядро было
K = white_noise + isotropic_rbf(x,y,z) * isotropic_rbf(u,w)
Это просто сделать в GPy и GPflow, используя _active_dim_
K = white_noise + isotropic_rbf(X,active_dim=[0,1,2]) * isotropic_rbf(X,active_dim=[3,4])
где X = [x, y, z, u, w]
Я сгенерировал два новых класса RBF и изменил класс RBF, изменив
X = np.atleast_2d(X)
до X = np.atleast_2d(X[:,:3)
в RBF1 и до X = np.atleast_2d(X[:,3:)
в RBF2
Неудачная попытка!
Буду признателен за любое предложение или решение