python - 在 Python 中绘制 GP 95% 置信区间

Question

我使用高斯过程回归来拟合我的数据并且效果很好。但是，当我试图根据我的估计绘制置信区间时。我得到一个凌乱的图表，见下文。

红线代表CI上限，蓝线代表CI下限，黑线是我的估计数据。我为此编写了以下代码

f3 = plt.figure()
plt.plot(X_te_rescale[:,0],pred_y.ravel(),'k.',markersize=20,label='prediction')
plt.plot(X_te_rescale[:,0],low_CIs,'b.',markersize=2)
plt.plot(X_te_rescale[:,0],Upper_CIs,'r.',markersize=2)
plt.legend(loc='1')
plt.show()

我在 google 中搜索，发现fill between它对此很有用，因此也使用了它，结果也很糟糕。见下图

主要 GP 代码

pred_y, sigma = gpr.predict(X_te_rescale, return_std=True)
confidence_interval = sigma * 1.96
low_CIs=pred_y - confidence_interval
Upper_CIs= pred_y + confidence_interval

我为此编写的代码如下

plt.scatter(X_tr_rescale, y_tr_rescale, label='Train data')
plt.fill_between(X_te_rescale[:,0],
                  pred_y[:,0] - confidence_interval,
                  pred_y[:,0] + confidence_interval,
                  facecolor='black', alpha=0.5, label='95% confidence interval')
plt.gca().set_title(gp.kernel_)
plt.plot(X_te_rescale, pred_y, 'r.',label='Prediction')

数据详情如下。

y_te_rescale: Array of floats64 (1188,1)
sigma: Array of floats64 (1188,)
Confidence interval: Array of floats64 (1188,)
lower CIs: Array of floats64 (1188,1188)
upper CIs: Array of floats64 (1188,1188)
pred_y: Array of floats64 (1188,1)

是否有可能有一个不与我的估计值重叠的 CI？或者我想念的东西。提前致谢。根据评论我修改了代码如下

x_unsorted=X_te_rescale.flatten()
pred_y=pred_y.flatten()
sorted_inds = np.argsort(x_unsorted)
plt.fill_between(
    x_unsorted[sorted_inds],
    (pred_y - confidence_interval)[sorted_inds],
    (pred_y+ confidence_interval)[sorted_inds],
    label='95% CI',
)
plt.plot(
    x_unsorted[sorted_inds], 
    pred_y.ravel[sorted_inds], 
    'r--',
    label='Prediction',
)

这给出了如下图

上面的代码虽然显示了置信区间但无法估计值。这段代码是否正确？或者如何将置信区间与可以清楚地看到的估计值一起绘制。

标签： pythonmatplotlibconfidence-intervalgaussian-process

Answer 1

您使用的问题plt.fill_between是 x 值未排序。plt.plot如果您绘制的是一条线而不是一组点，则会产生同样糟糕的结果。

尝试这样的事情：

sorted_inds = np.argsort(x_unsorted)
plt.fill_between(
    x_unsorted[sorted_inds],
    (y_pred - conf_intervals)[sorted_inds],
    (y_pred + conf_intervals)[sorted_inds],
    label='95% CI',
)
plt.plot(
    x_unsorted[sorted_inds], 
    y_pred[sorted_inds], 
    'k-',
    label='Prediction',
)