我想实现一个使用高斯过程的二进制分类模型。根据official documentation,我有如下代码。 X有2048个特征,Y要么是0,要么是1。在优化模型后,我试图评估其性能。n_features) , my example is (n, 2048) ''' (X, Y), likelihood=gpflow.lik
我正在尝试用softmax似然率训练一个多类分类器,这也是GPflow中的implemented,但我找不到任何关于如何正确使用它的文档或示例。 请在下面找到一个我尝试过的例子。上面提到的鲁棒最大值示例使用分类标签,即值0、1、2,但简单地将鲁棒最大值替换为软最大似然会引发IndexError in the quadrature method。使用softmax似然度进行GP多类分类的正确方法是什么?import numpy as npimport gpflow</
我尝试在自己生成的数据上运行notebook中的代码,以证明该模型是否可以进行任何分类。https://gpflow.readthedocs.io/en/master/notebooks/basics/classification.html 所以我创建了X和Y作为输入数据。然后我创建了一个模型并对其进行了训练: Per = gpflow.kernels.Periodic(gpflow.kernels.SquaredExponential())
model
最近,我一直在使用gpflow,特别是高斯过程回归来建模一个过程,对于每一个输入,我都可以获得近似的矩。我有一个大小的输入值X的向量(N,1)和响应Y的大小的向量(N,1)。import numpy as np X = np.random.rand(N)[:, None] * 10( [gpflow.likelihoods.Gaussian(variance=NoiseVar[i]) for i in range(Y.shape[0])])
# m