python-3.x - Gaussian Process Regressor scikit 学习无法识别 'eval_MSE=True'

Question

我正在使用 Gaussian Process Regressor scikit 学习为模型预测数据。在使用 gp 时，我还需要找出数据集中存在的每个值的不确定性。文档建议使用“gp.predict(self, X, eval_MSE=True)”。我在在线提供的代码中使用了相同的“eval_MSE”进行测试，但它给了我这个错误。

TypeError: predict() got an unexpected keyword argument 'eval_MSE'

我用来测试的代码:

gp = GaussianProcessRegressor(corr='squared_exponential', theta0=1e-1,
                     thetaL=1e-3, thetaU=1,
                     nugget=(dy / y) ** 2,
                     random_start=100)

gp.fit(X, y)

y_pred, MSE = gp.predict(x, eval_MSE=True)

sigma = np.sqrt(MSE)

有人可以为此提供解决方案吗？

Answer 1

要么返回到以前版本的 scikitlearn:GaussianProcess.predict...或者你适应最新的:GaussianProcessClassifier.predict

不仅 predict 参数发生了变化，而且分类器本身的名称、输入参数等也发生了变化。

之前链接的总结:

• 旧 GaussianProcess(0.17 版):

  类 sklearn.gaussian_process.GaussianProcess(regr='constant', corr='squared_exponential', beta0=None, storage_mode='full', verbose=False, theta0=0.1, thetaL=None, thetaU=None, optimizer= 'fmin_cobyla', random_start=1, normalize=True, nugget=2.2204460492503131e-15, random_state=None)

  预测(X，eval_MSE=False，batch_size=None)

• 新的高斯过程分类器:

  类 sklearn.gaussian_process.GaussianProcessClassifier(kernel=None, *, optimizer='fmin_l_bfgs_b', n_restarts_optimizer=0, max_iter_predict=100, warm_start=False, copy_X_train=True, random_state=None, multi_class='one_vs_rest', n_jobs=无)

  预测(X)