我正在尝试使用稀疏变分高斯过程回归器将一系列序列作为系统的输入来预测序列的48个步骤。
根
我正在尝试先从高斯过程中顺序采样。
问题在于样本最终收敛到零或发散到无穷大。
我正在
给出具有多维特征和标量观测值的高斯过程模型，如何在GPyTorch或GPFlow（或scikit-learn）中计算每个输入的
我得到了尺寸为300x10的测量数据。这意味着，在相同的采样时间内，我有300个数据点用于10种不同的记录
我正在尝试使用scikit-Learn库迁移一些旧的python代码。
这样做时，我遇到了<a href="https://scikit-learn.org
我正在尝试保存优化的高斯过程模型以用于其他脚本中。我目前的思路是利用GPy内置的<code>to_dict</code>和
GPRegression（GPy）和高斯过程回归器（scikit-learn）都使用相似的初始值和相同的优化器（lbfgs）。为什么
我想在GPy中执行共区域回归，但是我使用了伯努利似然法，然后估计作为高斯，我使用拉普拉斯推断。
我正在尝试使用泊松似然实现 GP 回归。
我按照GPy中的例子做
<pre><code>poisson_likelihood = GPy.likelihoods.Pois
我需要构建一个函数来给出高斯过程的后验协方差。这个想法是使用 GPytorch 训练一个 GP，然后获取学习
我最近从 celerite 切换到 celerite2 来模拟恒星光曲线。我已经密切关注 <a href="https://celerite2.readthedocs.io/en/l
我正在尝试使用 python 中的 sklearn 为内核岭回归构建高斯内核。<br/>
例如，这是我使用 RBF 内核的示例。<
我有两个数据集。这些数据集包括化学分子及其溶解度值（数值）。目标变量（因变量）是溶解度。机
我正在使用 scikit-learn 进行高斯过程回归建模。我的数据没有标准化。该模型总是返回0到1之间的标准偏
我正在尝试优化边际可能性以估计高斯过程回归的参数。
所以我这样定义了边际对数似然：
<pre><code>
我想知道是否有一种直接的方法来构造一个 GPModelWithDerivatives 类（类似于 <a href="https://docs.gpytorch.ai/en/sta
sklearn python 包 GaussianProcessRegressor (GPR) 拟合了 <code>n_samples</code> 样本的数据和训练集 <code>n_features</code>
在 scikit-learn 中有没有办法指定内核处理高斯过程回归的输入维度？
当前当你在 sklearn 中添加两个
我正在研究高斯过程回归，并且我正在尝试使用 scikit-learn 的内置函数，并且还试图实现一个自定义函数
我正在尝试使用 SHAP 库获取高斯过程回归 (GPR) 模型的 SHAP 值。但是，所有 SHAP 值都为零。我正在使用 <a
