scikit中的高斯过程回归学习没有内核梯度评估

Question

我正在使用sklearn中的模块GaussianProcessesRegression进行简单的高斯回归。但是我试图实现我自己的内核而不是模块内核提供的内核。

我遇到了超参数优化的问题（可能是我错误地实现了内核梯度，我没有看到错误）。所以我的问题是：

我怎样才能运行`fit＆＃39; （优化超参数的情况下）GaussianProcessesRegression模块在优化过程中没有评估内核梯度？

从文档中可以通过设置变量`eval_gradient = False＆＃39;但实际上我不能用这个变量调用任何方法。

这是我正在使用的代码的一个概念：

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

kernel1 = 1.0*my_kernel.RBF_D(length_scale=np.linspace(1,10,10), length_scale_bounds=(1e-3, 100.0))

gp = GaussianProcessRegressor(kernel=kernel1, n_restarts_optimizer=10)
gp.fit(Xtrain,Ytrain)
hyperp = = gp.kernel_.get_params()
y_gp,y_train_std=gp.predict(Xtrain,return_std=True)

如果我试着打电话

gp = GaussianProcessRegressor(kernel=kernel, n_restarts_optimizer=0,eval_gradient=False)

我有错误：

`Traceback（最近一次调用最后一次）：...

gp = GaussianProcessRegressor（kernel = kernel1，n_restarts_optimizer = 10，eval_gradient = False） TypeError： init （）得到了一个意外的关键字参数＆＃39; eval_gradient＆＃39; ＆＃39;

同样，如果我尝试

gp.fit(Xtrain, Ytrain, eval_gradient=False)

`TypeError：fit（）得到了一个意外的关键字参数＆＃39; eval_gradient＆＃39; ＆＃39;

很明显它没有用，但我没有任何其他想法。有关如何做到这一点的任何暗示？

（我使用自己的内核的事实与此问题无关）

Answer 1

您提到了“文档”，http://scikit-learn.org/stable/modules/generated/sklearn.gaussian_process.GaussianProcessRegressor.html

它解释了GPR可以调用你提供的优化器，它可以在调用目标函数时指定eval_gradient。