交叉学习高斯过程分离器vs高斯过程？为什么GaussianProcess在0.18版本中被弃用？

Question

我尝试使用kriging（高斯过程）回归与常数项和广义指数相关模型。我可以在旧版本中使用GaussianProcess函数（版本0.17.1）来实现这一点。当我使用它的时候，我得到一个警告说

deprecationWarning: Class GaussianProcess is deprecated; GaussianProcess was deprecated in version 0.18 and will be removed in 0.20. Use the GaussianProcessRegressor instead.

但是，我找不到与GaussianProcessRegressor相似的选项。我想知道我是否可以用GaussianProcessRegressor或scikit learn不再计划支持此功能。在

Answer 1

是的，你可以。在

GaussianProcessRegressor类可以用作插入式替换。默认情况下，它使用RBF内核。因此，根据您的情况，您可以相应地设置内核。见Rasmussen。实际上，这个新类的目的是根据这本圣经实现GP。在

Answer 2

gaussianprocesss函数（0.17.1版）基于DACE包，提供两个选项：趋势项和相关项。在

1. Kriging中的趋势项可以设置为常数或多项式，如线性、二次型。GaussianProcessRegressor假设一个恒定的趋势项，这是训练数据的平均值。它不支持趋势克里格法。然而，这并不是一个大问题，因为文献表明，使用复杂的趋势项可能没有多大帮助。例如，见（Chen，2016）。

2. 相关项是高斯过程类似于高斯过程中的相关核，后者更灵活。RBF核函数与平方指数核的形式稍有不同。（不是exp（-theta*（距离）^2）替换为exp（-theta*（距离）^2/长度^2）。

最后，高斯过程中的过程方差是由一个解析表达式得到的，而在高斯过程中，过程方差是通过极大似然估计得到的。在

参考文献：

S.N.Lophaven，H.B.Nielsen，J.Sondergaard，DACE—一个MATLAB Kriging工具箱， 版本2.0，技术代表，2002a

陈海林，李乐平，韦尔奇等，计算机实验的分析方法：如何评估和计算？《统计科学》31（1）（2016）40-60。在