python - scikit-learn GaussianProcessRegressor vs GaussianProcess？为什么 GaussianProcess 在 0.18 版本中被弃用？

Question

我正在尝试使用具有常数项和广义指数相关模型的克里金法(高斯过程)回归。我可以使用 GaussianProcess 在旧版本中执行此操作功能(版本 0.17.1)。当我使用它时，我会收到警告

deprecationWarning: Class GaussianProcess is deprecated; GaussianProcess was deprecated in version 0.18 and will be removed in 0.20. Use the GaussianProcessRegressor instead.

但是，我找不到与 GaussianProcessRegressor 类似的选项.我想知道我是否可以对 GaussianProcessRegressor 做同样的事情，或者 scikit-learn 不打算再支持这个功能了。

Answer 1

GaussianProcess函数(0.17.1版本)基于DACE包，提供趋势项和相关项两种选择。

1. Kriging 中的趋势项可以设置为常数或多项式，例如线性、二次。 GaussianProcessRegressor 假设一个常数趋势项，它是训练数据的平均值。它不支持带趋势的克里金法。然而，这不是主要问题，因为文献表明复杂的趋势项可能没有多大帮助。例如，参见(Chen，2016)。

2. GaussianProcess 中的相关项类似于 GaussianProcessRegressor 中的相关核，后者更加灵活。 RBF 核类似于平方指数核，但形式略有不同。 (而不是 exp(-theta * (distance)^2) 替换为 exp(-theta*(distance)^2/length^2)。

最后，GaussianProcess 中的过程方差是通过解析表达式获得的，而 GaussianProcessRegressor 中的过程方差是通过最大化似然估计获得的。

引用资料:

S。 N. Lophaven、H. B. Nielsen、J. Sondergaard、DACE-A MATLAB Kriging 工具箱，2.0 版，技术。众议员，2002a。

H. Chen, J. L. Loeppky, J. Sacks, W. J. Welch, et al., Analysis Methods for Computer Experiments: How to Assess and What Counts?, 统计科学 31 (1) (2016) 40-60。