Scikit learn scikit学习中无核梯度估计的高斯过程回归

我正在使用sklearn中的高斯过程回归模块进行简单的高斯回归。然而，我试图实现我自己的内核，而不是模块内核提供的内核

我在超参数的优化方面遇到了问题（可能是我错误地实现了内核梯度，我没有看到错误）。所以我的问题是：

我如何运行GaussianProcessResgression模块的“fit”（超参数优化发生的地方）方法，而不在优化过程中评估核梯度

从文档中可以设置变量'eval_gradient=False'，但实际上我不能用这个变量调用任何方法

这是我正在使用的代码的想法：

import numpy as np
from sklearn.gaussian_process import GaussianProcessRegressor
import kernels as my_kernel

kernel1 = 1.0*my_kernel.RBF_D(length_scale=np.linspace(1,10,10), length_scale_bounds=(1e-3, 100.0))

gp = GaussianProcessRegressor(kernel=kernel1, n_restarts_optimizer=10)
gp.fit(Xtrain,Ytrain)
hyperp = = gp.kernel_.get_params()
y_gp,y_train_std=gp.predict(Xtrain,return_std=True)

如果我试着打电话

gp = GaussianProcessRegressor(kernel=kernel, n_restarts_optimizer=0,eval_gradient=False)

我有一个错误：

`回溯（最近一次呼叫上次）：

gp=GaussianProcessRegressor（内核=kernel1，n_重新启动\u优化器=10，eval_梯度=False） TypeError:init（）获得意外的关键字参数“eval_gradient”

同样，如果我尝试

gp.fit（Xtrain、Ytrain、eval\u gradient=False）

`TypeError:fit（）获得意外的关键字参数“eval_gradient”

这很明显，它不起作用，但我没有任何其他想法。有没有关于如何做到这一点的提示

（我使用自己的内核这一事实与这个问题无关）

您提到了“文档”

---

它解释了GPR可以调用您提供的优化器，它可以在调用目标函数时指定

eval\u gradient

。

为我们提供了一个提示，说明您当前正在运行哪些代码来尝试此操作。我重新编辑了，谢谢。是的，我假设有一种方法可以将相同的变量也指定给默认优化器。但如果可能的话，我不知道该怎么做，“意外的关键字参数‘eval_gradient’”诊断是准确的，并且与文档相符。看起来您想要编写一个

优化器

回调并将其传递给GPR。