【Python实例第36讲】一个高斯过程回归的例子_高斯过程回归预测案例-优快云博客

本文介绍了使用Python进行一维高斯过程回归的实例，包括无噪音和已知噪音情况，通过最大似然法估计核参数。内容适用于机器学习爱好者，提供详细代码演示。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

机器学习训练营——机器学习爱好者的自由交流空间（入群联系qq：2279055353）

这是一个简单的一维回归的例子，以两种不同的方式计算：

一个是无噪音的情况
另一个是噪音已知的情况

在这两种情况下的核参数都由最大似然法估计得到。

实例代码

import numpy as np
from matplotlib import pyplot as plt

from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import RBF, ConstantKernel as C

np.random.seed(1)


def f(x):
    """The function to predict."""
    return x * np.sin(x)

# ----------------------------------------------------------------------
#  First the noiseless case
X = np.atleast_2d([1., 3., 5., 6., 7., 8.]).T

# Observations
y = f(X).ravel()

# Mesh the input space for evaluations of the real function, the prediction and
# its MSE
x = np.atleast_2d(np.linspace(0, 10, 1000)).T

# Instantiate a Gaussian Process model
kernel = C(1.0, (1e-3, 1e3)) * RBF(10, (1e-2, 1e2))
gp = GaussianPro