高斯过程回归器 scikit learn 无法识别“eval_MSE=True”答案

【问题标题】：Gaussian Process Regressor scikit learn does not recognise 'eval_MSE=True'高斯过程回归器 scikit learn 无法识别“eval_MSE=True”
【发布时间】：2020-10-16 11:27:07
【问题描述】：

我正在使用 Gaussian Process Regressor scikit learn 来预测模型的数据。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)”。我在可在线测试的代码中使用了相同的“eval_MSE”，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)

谁能为此提供解决方案？

【问题讨论】：

嗨@jimi，很好的问题，我也有同样的问题，除了降级，你能找到解决方案吗？

标签： python-3.x scikit-learn regression prediction gaussian-process

【解决方案1】：

要么回到以前的 scikitlearn 版本：GaussianProcess.predict ... 或者你适应最新的：GaussianProcessClassifier.predict

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

之前链接的总结：

旧的 GaussianProcess（0.17 版）：

class 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=False，batch_size=None）
新的 GaussianProcessClassifier：

class 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=无）

预测（X）

【讨论】：

如果有人更熟悉这些变量会很好，请从 0.17 到最新版本进行 输入变量表匹配。例如，从现在开始如何设置eval_MSE。
Garcia 你好，谢谢你的回答，我也有同样的问题，你知道在当前版本中如何处理eval_MSE吗？