高斯过程回归的内核参数：如何在 Scikit-learn 中获取它们？

Question

我使用Scikit-learn 的GaussianProcessRegressor在我的回归操作中使用平方指数核或RBF。另外，我使用内部可用的优化器（L-BFGS-B 算法）来优化 Kernel 参数。在我的例子中，内核参数是长度尺度和信号方差。有关的文档如下：'fmin_l_bfgs_b'log_marginal_likelihood

我按照此文档打印GPML kernel和log_marginal_likelihood. 以下是代码片段：

print("GPML kernel: %s" % gp.kernel_)
print("Log-marginal-likelihood:",
       gp.log_marginal_likelihood(gp.kernel_.theta, eval_gradient = True))

在控制台打印以下值：

    GPML kernel: 31.6**2 * RBF(length_scale=1.94)
Log-marginal-likelihood: (-115.33295413296841, array([ 1.01038168e+02, -2.16465175e-07]))

在这里，我无法弄清楚以对数边际似然打印的值。数组中的值是什么？

我关于回归的代码片段如下：

print("GPML kernel: %s" % gp.kernel_)
print("Log-marginal-likelihood:",
       gp.log_marginal_likelihood(gp.kernel_.theta, eval_gradient = True))

我打印内核参数的方法正确吗？

谢谢！

Answer 1

返回的值gp.log_marginal_likelihood在您附加的文档中指出，第一个值实际上是传递参数的结果对数边际似然，在您的情况下gp.kernel_.theta，数组中的值是相对于内核参数的梯度。

实际获得优化后的内核参数。将返回的内核用于：

gp.kernel_.get_params()

它返回一个包含参数的字典，或者您可以使用以下方法单独获取它们：

gp.kernel_.k1

和

gp.kernel_.k2