Python 将已知数据矩合并到GPFlow拟合中

我最近一直在使用gpflow，特别是高斯过程回归，对一个过程进行建模，我可以获得每个输入的近似矩。我有一个大小为（N，1）的输入值X的向量和一个大小为（N，1）的响应Y的向量。然而，我也知道，对于每个（x，y）对，特定y值的相关方差、偏度、峰度等的近似值

由此，我了解了一些属性，它们告诉我每个数据点使用的适当可能性。 在最简单的情况下，我假设所有的似然度都是高斯的，并指定每个点的方差。我通过修改以下教程创建了一个代码的最小示例：

上述代码适用于高斯似然和已知方差。检查我的真实数据时，我发现它经常是倾斜的，因此，我想使用非高斯似然度对其进行建模，但鉴于我所知，我不确定如何指定这些其他似然参数

---

因此，我的问题是：鉴于这种设置，我如何调整我的代码，使其在每一步都包含非高斯似然度，特别是根据我已知的方差、偏度、峰度等与每个y值相关的参数来指定和固定这些参数？

首先，您需要选择使用哪种非高斯似然。GPflow包括

likelihoods.py

中的各种流。然后你需要调整线路

likelihood = gpflow.likelihoods.SwitchedLikelihood(
    [gpflow.likelihoods.Gaussian(variance=NoiseVar[i]) for i in range(Y.shape[0])]
)

列出你的非高斯概率

哪个可能性可以利用偏度和峰度信息是一个统计问题。根据您的想法，您可能需要实现自己的似然类，这可以通过继承

似然

来实现。您应该能够遵循

likelihoods.py

中的一些其他示例

likelihood = gpflow.likelihoods.SwitchedLikelihood(
    [gpflow.likelihoods.Gaussian(variance=NoiseVar[i]) for i in range(Y.shape[0])]
)