Czy istnieje sposób na przeprowadzenie regresji procesu Gaussa na wielowymiarowych danych wyjściowych (być może skorelowanych) przy użyciu GPML ?
W skrypcie demo znalazłem tylko przykład 1D.
Podobne pytanie na CV, które wciągniki przypadku wejścia wielowymiarowej.
Przejrzałem ich książkę, aby sprawdzić, czy mogę coś znaleźć. W 9 rozdziale tej książki (sekcja 9.1) wspomnieli o tym przypadku wielu wyników. Wspomnieli o kilku sposobach poradzenia sobie z tym, Jednym z nich za pomocą skorelowanego procesu hałasu i Two-Cokriging (wcześniej skorelowanym).
Nadal nie wiem, jak mogę włączyć którykolwiek z tych pomysłów do środowiska GPML.
Czy są jeszcze jakieś biblioteki / struktury GP, które obsługują wielowymiarowe wyjście?
Odpowiedzi:
Wierzę, że Twin Gaussian Processes jest dokładnie tym, czego szukasz. Nie umiem opisać modelu lepiej niż streszczenie samego papieru, więc skopiuję go i wkleję:
Autorzy hojnie dostarczyli kod i przykładowe zestawy danych na początek.
źródło
Krótka odpowiedź Regresja wyników wielowymiarowych jest nieco trudna i według mojego obecnego poziomu wiedzy nie jest bezpośrednio włączona do zestawu narzędzi GPML.
Długa odpowiedź Możesz podzielić problem wielowymiarowej regresji wyjściowej na 3 różne części.
Mam nadzieję, że to pomoże :)
źródło
To jest moduł scikit-learn, który zadziałał dla mnie zaskakująco dobrze:
http://scikit-learn.org/stable/auto_examples/gaussian_process/plot_gp_regression.html
źródło
Szukałem wielu wyjść procesów Gaussa i znalazłem wiele sposobów działania, takich jak metoda splotu, metoda modelowania efektów mieszanych i najnowsza wersja Twin Gaussian Processes (TGP).
Mam wątpliwości co do koncepcji Twin Gaussian Processes (TGP). Czy ktoś może mi w tym pomóc?
źródło