scikit-learn - 如何使用 MCMC 优化超参数而不是高斯过程回归中的对数边际似然
问题描述
当我阅读 scikit-learn 用户指南(https://scikit-learn.org/stable/modules/gaussian_process.html#gaussian-process-regression-gpr)中的 1.7 Gaussian 过程时,我发现 Gaussian 的超参数过程不仅可以使用对数边际似然法进行优化,还可以使用马尔可夫链蒙特卡罗(MCMC)进行优化。但是我不知道如何实现这个方法,有没有人知道,谢谢任何人的回答。
解决方案
推荐阅读
- python-3.x - 为什么在 Python3 中将 pool.apply_async 和 Process.start 与 multiprocessing.Array 一起使用时会得到不同的结果?
- python - 如何正确更新 Python 嵌套字典中列表类型的值?
- cdn - 服务器节点如何快速将内容分发到所有 CDN 节点?
- amazon-web-services - 如何应用 WAF 规则?
- python-3.x - 与线程不一致的计数/计时
- angular - 从函数嵌套的 subs 接收器订阅返回值
- javascript - 下拉菜单中导航栏中的 Vue Router-Link 不起作用
- azure-cosmosdb - 我想知道如何在 Cosmos Db 中进行这样的简单查询: SELECT c.pk as pk1, * FROM c
- python - Jupyter notebook 内核因 matplotlib show() 而崩溃
- .net - 为什么我不能设置我的 dotnet 程序在 Linux 中启动时运行?