Python 3.x 如何使用GPflow运行的GPC，通过简单的数据输入进行预测？无法在不同数据上运行示例笔记本中的代码

我试着在笔记本上对自己生成的数据运行代码，以证明该模型是否能够进行任何分类。

所以我创建了X和Y作为输入数据

X=np.array([-0.0259,-0.3579,-0.289,0.0356,0.0147,0.0234]).reshape(-1,1)
Y=np.array([0,0,0,1,1,1]).reshape(-1,1)

选择X和Y中的值作为二进制逻辑，X中的负值等于Y中的0。X中的正值应归类为Y中的1

然后我创建了一个模型并对其进行了培训：

Per = gpflow.kernels.Periodic(gpflow.kernels.SquaredExponential())
model_Per = gpflow.models.VGP((X, Y), likelihood=gpflow.likelihoods.Bernoulli(), kernel=Per)

我试着用相同的X来预测Y作为模型训练的输入，只是想看看是否有正确的结果

Ypred, VARpred = model_Per.predict_y(X)

对于Ypred，我得到输出：

    <tf.Tensor: shape=(6, 1), dtype=float64, numpy=
array([[0.5],
       [0.5],
       [0.5],
       [0.5],
       [0.5],
       [0.5]])>

为VARpred

   <tf.Tensor: shape=(6, 1), dtype=float64, numpy=
array([[0.25],
       [0.25],
       [0.25],
       [0.25],
       [0.25],
       [0.25]])>

我试着，改变内核，组合内核，在预测前用Scipy进行优化，改变数据，但平均值和方差的输出总是相同的。我期待着，这个数据集的Ypred=Y

---

创建此分类模型时我做错了什么？

您必须实际优化您的模型。一旦你优化了它，结果实际上看起来非常合理。我不希望GP模型准确预测p=1——这意味着在这一点上观察到0的概率为0.0%，我只有在看到无限量的数据都表示1时才会相信

---

对于您使用的伯努利似然，方差与平均值具有决定性的相关性。如果y~Bernoulli，且平均值[y]=p，则Var[y]=p*（1-p）。对你来说，平均值是p=0.5，因此方差是0.5*（1-0.5）=0.25。

你必须实际优化你的模型。一旦你优化了它，结果实际上看起来非常合理。我不希望GP模型准确预测p=1——这意味着在这一点上观察到0的概率为0.0%，我只有在看到无限量的数据都表示1时才会相信

---

对于您使用的伯努利似然，方差与平均值具有决定性的相关性。如果y~Bernoulli，且平均值[y]=p，则Var[y]=p*（1-p）。对你来说，平均值是p=0.5，所以方差是0.5*（1-0.5）=0.25。

你能展示一下你是如何用Scipy训练它的吗？我使用了

opt=gpflow.optimizers.Scipy（）opt.minimize（模型每训练损失，变量=模型每可训练变量）

这是文档记事本中的标准优化器经过优化后，我得到了

列表中每X一个都比0.5好，但不是1或0。是否有其他方法对一维数据进行分类？或者其他可以推荐的优化方法？您能展示一下如何使用Scipy对其进行培训吗？我使用了

opt=gpflow.optimizers.Scipy（）opt.minimize（model\u Per.training\u loss，variables=model\u Per.trainiable\u variables）

这是文档记事本中的标准优化器经过优化后，我得到了

列表中每X一个都比0.5好，但不是1或0。是否有其他方法对一维数据进行分类？或者其他可以推荐的优化方法？