pymc.gp.Marginal.conditional#
- Marginal.conditional(name, Xnew, pred_noise=False, given=None, jitter=1e-06, **kwargs)[源代码]#
返回在新输入位置 Xnew 上评估的条件分布。
给定一组函数值 f ，GP 先验覆盖这些值，新点集 f_* 的条件分布为：
\[f_* \mid f, X, X_* \sim \mathcal{GP}\left( K(X_*, X) [K(X, X) + K_{n}(X, X)]^{-1} f \,, K(X_*, X_*) - K(X_*, X) [K(X, X) + K_{n}(X, X)]^{-1} K(X, X_*) \right)\]- 参数:
- 名称 :
strstr 随机变量的名称
- Xnewarray_like
函数输入值。如果是一维的，必须是形状为 (n, 1) 的列向量。
- pred_noise : bool, 默认值
Falsebool, 默认 python:False 是否在条件中包含观测噪声。
- 给定 :
dict, 可选python:dict, 可选 可以接受键值对：X、y、sigma 和 gp。更多信息请参阅 pymc 文档中关于加性 GP 模型的 章节。
- 抖动 :
float, 默认值 1e-6python:float, 默认值 1e-6 对正半定协方差矩阵的对角线添加的小修正，以确保数值稳定性。
- **kwargs
传递给
MvNormal分布构造函数的额外关键字参数。
- 名称 :