pymc.gp.Latent#

class pymc.gp.Latent(*, mean_func=<pymc.gp.mean.Zero object>, cov_func=<pymc.gp.cov.Constant object>)[源代码]#

潜在高斯过程。

gp.Latent 类是高斯过程的直接实现。不假设有附加噪声。它被称为“Latent”，因为底层函数值被视为潜在变量。它有一个 prior 方法和一个 conditional 方法。给定均值和协方差函数，函数 \(f(x)\) 被建模为，

\[f(x) \sim \mathcal{GP}\left(\mu(x), k(x, x')\right)\]

使用 prior 和 conditional 方法来实际构建表示未知或潜在函数的随机变量，其分布是 GP 先验或 GP 条件。此 GP 实现可用于对非正态分布的数据进行回归。有关 prior 和 conditional 方法的更多信息，请参阅它们的文档字符串。

参数:

mean_func均值，默认零: 均值函数。
cov_func2D array_like, or Covariance, default Constant: 协方差函数。

示例

# A one dimensional column vector of inputs.
X = np.linspace(0, 1, 10)[:, None]

with pm.Model() as model:
    # Specify the covariance function.
    cov_func = pm.gp.cov.ExpQuad(1, ls=0.1)

    # Specify the GP.  The default mean function is `Zero`.
    gp = pm.gp.Latent(cov_func=cov_func)

    # Place a GP prior over the function f.
    f = gp.prior("f", X=X)

...

# After fitting or sampling, specify the distribution
# at new points with .conditional
Xnew = np.linspace(-1, 2, 50)[:, None]

with model:
    fcond = gp.conditional("fcond", Xnew=Xnew)

方法

`Latent.__init__`(*[, mean_func, cov_func])
`Latent.conditional`(name, Xnew[, given, jitter])	返回在新输入位置 Xnew 上评估的条件分布。
`Latent.marginal_likelihood`(name, X, *args, ...)
`Latent.predict`(Xnew[, point, given, diag, model])
`Latent.prior`(name, X[, reparameterize, jitter])	返回在输入位置 X 上评估的 GP 先验分布。

属性

`X`
`f`