scaling - 理解不同训练数据缩放方案的 GPy 标准差?
问题描述
我正在尝试使用两个单独的模型对两个不同的输出(独立)进行预测。我正在使用问题物理中的相关因素对输入和输出数据进行规范化。但是平均值预测中的不确定性(标准偏差)在使用不同的缩放方案时会发生变化,而对于两种不同的方案,平均值本身的预测精度很高。
我如何理解与我使用的缩放方案无关的不确定性(GPy 模型预测的标准偏差)?我如何确定是否需要进行适当的转换才能获得输出量级的标准偏差。
对于任何缺乏明确性,我提前道歉。
解决方案
推荐阅读
- java - Mapstruct 看不到相关的映射器
- email - Laravel8 sanctum auth for api 使用 opt 和 web 用于电子邮件
- android - 从 Android 应用打印日记条目
- javascript - 用 vue-utils 开玩笑的 API 响应是“未定义”
- python - 如何识别 Airflow 中所有正在运行的 dag 实例中最后完成的 dag
- php - 如何在 Laravel 中使用 faker 生成数据时设置两个变量以获得相同的值
- java - io.fabric8.kubernetes.client.KubernetesClientException:10000 MILLISECONDS 后未准备好
- elasticsearch - Kibana - TSVB 可视化 - 如何在 Top N 可视化中调整列的宽度
- actions-on-google - 测试可能没有最新的项目更改。稍后再试
- c - 使用 `strncpy` 比 `snprintf` 有什么优势?