sklearn.gaussian_process.kernels.Matern的矢量化评价
sklearn.gaussian_process.kernels.Matern的矢量化评价
提问于 2022-07-12 09:58:17
从文档的角度来看，我不清楚__call__内核在sklearn.gaussian_process.kernels中是如何工作的。特别是，我想为网格K = k(x_i, x_j)中的所有元素对( x_i, x_j )构建矩阵x。对我来说，直观的方法是执行一个meshgrid操作，然后将它提供给内核。显然，这不起作用(见图)，但通过两个嵌套循环，我得到了我期望的结果(再次看到图片)。如何避免下面代码中的双循环？
from sklearn.gaussian_process.kernels import Matern
import numpy as np
import matplotlib.pyplot as plt
n = 51
x = np.linspace(0, 1, n)
kernel = Matern(length_scale=1, nu=1.5)
xx, yy = np.meshgrid(x, x)
# evaluate the kernel vectorially
k1 = kernel(xx, yy)
# evaluate the kernel with for loops
k2 = np.zeros([n, n])
for i in range(n):
for j in range(n):
k2[i, j] = kernel([[x[i]]], [[x[j]]])
plt.matshow(k1)
plt.matshow(k2)
编辑：
我(几乎)通过使用
x_eval = np.array([x, x]).T
k1 = kernel(x_eval)然而，矢量化和基于循环的版本之间还是有一些不可忽视的差别。一些想法，为什么？
编辑2:
在上面的k1编辑中获取的代码是错误的，我用自编的高斯内核K(x_i, x_j) = exp(-(x_i - x_j)**2 / (2 * scale**2))的实现进行了检查，它与参数nu=np.inf的母体协方差相同。我获得的值与for循环版本一致，并且与其他版本不同。
回答 1
Stack Overflow用户
回答已采纳
发布于 2022-07-12 12:01:13
正确执行：
x_eval = np.reshape(x, [n, 1])
k1 = kernel(x_eval)页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/72950440
复制相关文章
相似问题
腾讯云开发者
