高斯过程回归器 scikit 学习不识别'eval_MSE=True'

Question

我正在使用高斯过程回归器scikit来学习模型的数据。在使用 gp 时，我还需要找到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("。我在在线可用的代码中使用相同的"eval_MSE"进行测试，但它给了我这个错误。

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

我用于测试的代码：

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)

任何人都可以为此提供解决方案吗？

Answer 1

要么回到scikitlearn的先前版本：GaussianProcess.predict ...或者你适应最新的：GaussianProcessClassifier.predict

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

以前链接的摘要：

• 旧高斯进程(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=假， batch_size=无(

• 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=None(

  预测(X(