如何解决GaussianProcessRegressor 拟合完美但在测试数据上表现不佳？
我正在尝试了解 GPR，并且我正在测试它以预测一些值。响应是 PCA 的第一个组成部分，因此它具有相对较好的数据，没有异常值。预测变量也来自 PCA(n=2)，但预测变量列已使用 StandardScaler().fit_transform 进行标准化，正如我在之前的帖子中看到的那样更好。由于预测变量是标准化的，我使用 RBF 内核并将其乘以 1**2，然后让超参数拟合。问题是该模型非常适合预测变量，并为测试数据提供几乎恒定的值。该集合是一组 463 个点，无论我为训练数据随机化 20-100 还是 200，添加 Whitekernel() 或 alpha 值，我都有相同的结果。我几乎可以肯定我做错了什么，但我找不到什么，有什么帮助吗？这是相关的代码块和响应：
k1 = cKrnl(1**2,(1e-40,1e40)) * RBF(2,1e40))
k2 = cKrnl(1**2,1e40))
kernel = k1 + k2
gp = GaussianProcessRegressor(kernel=kernel,n_restarts_optimizer=10,normalize_y = True)
gp.fit(x_train,y_train)
print("GPML kernel: %s" % gp.kernel_)
输出：
GPML kernel: 1**2 * RBF(length_scale=0.000388) + 8.01e-18**2 * RBF(length_scale=2.85e-18)
训练数据：
测试数据和预测：
谢谢大家！！！
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。