Есть ли способ выполнить Гауссовскую регрессию процесса на многомерном выходе (возможно, коррелированном) с использованием GPML ?
В демонстрационном скрипте я мог найти только 1D пример.
Аналогичный вопрос о том , что CV тали случай многомерного ввода.
Я просмотрел их книгу, чтобы узнать, смогу ли я найти что-нибудь. В 9-й главе этой книги (раздел 9.1) они упомянули этот случай нескольких выходов. Они упомянули пару способов справиться с этим, один - использование коррелированного шумового процесса и два - кокринг (предварительно связанный).
Я до сих пор не знаю, как я могу внедрить любую из этих идей в структуру GPML.
Кроме того, есть ли другие библиотеки / платформы GP, которые поддерживают многомерный вывод?
Ответы:
Я полагаю, что процессы с двумя гауссовскими характеристиками - именно то, что вы ищете. Я не могу описать модель лучше, чем реферат самой статьи, поэтому я просто скопирую и вставлю ее:
Авторы щедро предоставили код и образцы данных для начала работы.
источник
Короткий ответ Регрессия для многомерного вывода немного сложна, и в моем текущем уровне знаний, непосредственно не включенном в панель инструментов GPML.
Длинный ответ Вы можете разбить вашу проблему многомерной выходной регрессии на 3 части.
Я надеюсь, что это помогает :)
источник
Это модуль от scikit-learn, который работал для меня на удивление хорошо:
http://scikit-learn.org/stable/auto_examples/gaussian_process/plot_gp_regression.html
источник
Я искал многопотоковые гауссовские процессы и нашел много способов, как с ними работать, например, метод свертки, метод моделирования смешанных эффектов и последний из них - процессы с двумя гауссовыми процессами.
У меня есть сомнения в концепции двойных гауссовских процессов (TGP). Кто-нибудь может мне помочь с этим?
источник