pymc.gp.Marginal

class pymc.gp.Marginal(*, mean_func=<pymc.gp.mean.Zero object>, cov_func=<pymc.gp.cov.Constant object>)

边缘高斯过程。

gp.Marginal 类是 GP 先验和加性噪声之和的实现。它具有 marginal_likelihood、conditional 和 predict 方法。此 GP 实现可用于实现正态分布数据的回归。有关 marginal_likelihood、conditional 和 predict 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.Marginal(cov_func=cov_func)

    # Place a GP prior over the function f.
    sigma = pm.HalfCauchy("sigma", beta=3)
    y_ = gp.marginal_likelihood("y", X=X, y=y, sigma=sigma)

...

# 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

Marginal.__init__(*[, mean_func, cov_func])
Marginal.conditional(name, Xnew[, ...])	返回在新输入位置 Xnew 上评估的条件分布。
Marginal.marginal_likelihood(name, X, y[, ...])	返回给定输入位置 X 和数据 y 的边际似然分布。
Marginal.predict(Xnew[, point, diag, ...])	给定一个 点，例如 MAP 估计或来自 轨迹 的样本，返回条件分布的均值向量和协方差矩阵作为 numpy 数组。
Marginal.prior(name, X, *args, **kwargs)

属性

X
sigma
y