高斯过程回归 (GPR) 估计数据噪声水平的能力

本示例展示了 WhiteKernel 估计数据噪声水平的能力。此外，我们还展示了核函数超参数初始化的重要性。

# 作者：scikit-learn 开发者
# SPDX-License-Identifier: BSD-3-Clause

数据生成

我们将在一个包含单个特征的设置中工作。我们创建一个函数来生成要预测的目标。我们将添加一个选项，以便向生成的目标添加一些噪声。

import numpy as np


def target_generator(X, add_noise=False):
    target = 0.5 + np.sin(3 * X)
    if add_noise:
        rng = np.random.RandomState(1)
        target += rng.normal(0, 0.3, size=target.shape)
    return target.squeeze()

让我们看看目标生成器，在这里我们不会添加任何噪音，以观察我们想要预测的信号。

X = np.linspace(0, 5, num=30).reshape(-1, 1)
y = target_generator(X, add_noise=False)

import matplotlib.pyplot as plt

plt.plot(X, y, label="Expected signal")
plt.legend()
plt.xlabel("X")
_ = plt.ylabel("y")

目标是使用正弦函数变换输入 X 。现在，我们将生成一些带噪声的训练样本。为了说明噪声水平，我们将绘制真实信号和带噪声的训练样本。

rng = np.random.RandomState(0)
X_train = rng.uniform(0, 5, size=20).reshape(-1, 1)
y_train = target_generator(X_train, add_noise=True)

plt.plot(X, y, label="Expected signal")
plt.scatter(
    x=X_train[:, 0],
    y=y_train,
    color="black",
    alpha=0.4,
    label="Observations",
)
plt.legend()
plt.xlabel("X")
_ = plt.ylabel("y")

内核超参数在高斯过程回归中的优化

现在，我们将创建一个使用加性核的 GaussianProcessRegressor ，该加性核由 RBF 和 WhiteKernel 组成。WhiteKernel 是一种能够估计数据中噪声量的核，而 RBF 则用于拟合数据和目标之间的非线性关系。

然而，我们将展示超参数空间包含多个局部最小值。这将突显初始超参数值的重要性。

我们将使用具有高噪声水平和大长度尺度的核来创建模型，这将通过噪声解释数据中的所有变化。

from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import RBF, WhiteKernel

kernel = 1.0 * RBF(length_scale=1e1, length_scale_bounds=(1e-2, 1e3)) + WhiteKernel(
    noise_level=1, noise_level_bounds=(1e-5, 1e1)
)
gpr = GaussianProcessRegressor(kernel=kernel, alpha=0.0)
gpr.fit(X_train, y_train)
y_mean, y_std = gpr.predict(X, return_std=True)

/app/scikit-learn-main-origin/sklearn/gaussian_process/kernels.py:431: ConvergenceWarning:

The optimal value found for dimension 0 of parameter k1__k2__length_scale is close to the specified upper bound 1000.0. Increasing the bound and calling fit again may find a better value.

plt.plot(X, y, label="Expected signal")
plt.scatter(x=X_train[:, 0], y=y_train, color="black", alpha=0.4, label="Observations")
plt.errorbar(X, y_mean, y_std)
plt.legend()
plt.xlabel("X")
plt.ylabel("y")
_ = plt.title(
    (
        f"Initial: {kernel}\nOptimum: {gpr.kernel_}\nLog-Marginal-Likelihood: "
        f"{gpr.log_marginal_likelihood(gpr.kernel_.theta)}"
    ),
    fontsize=8,
)

我们看到找到的最优核仍然具有较高的噪声水平和更大的长度尺度。此外，我们观察到模型并未提供可信的预测。

现在，我们将使用更大的 length_scale 初始化 RBF ，并使用更小的噪声水平下限初始化 WhiteKernel 。

kernel = 1.0 * RBF(length_scale=1e-1, length_scale_bounds=(1e-2, 1e3)) + WhiteKernel(
    noise_level=1e-2, noise_level_bounds=(1e-10, 1e1)
)
gpr = GaussianProcessRegressor(kernel=kernel, alpha=0.0)
gpr.fit(X_train, y_train)
y_mean, y_std = gpr.predict(X, return_std=True)

plt.plot(X, y, label="Expected signal")
plt.scatter(x=X_train[:, 0], y=y_train, color="black", alpha=0.4, label="Observations")
plt.errorbar(X, y_mean, y_std)
plt.legend()
plt.xlabel("X")
plt.ylabel("y")
_ = plt.title(
    (
        f"Initial: {kernel}\nOptimum: {gpr.kernel_}\nLog-Marginal-Likelihood: "
        f"{gpr.log_marginal_likelihood(gpr.kernel_.theta)}"
    ),
    fontsize=8,
)

首先，我们看到该模型的预测比之前的模型更精确：这个新模型能够估计无噪声的函数关系。

通过查看核函数的超参数，我们发现找到的最佳组合具有比第一个模型更小的噪声水平和更短的长度尺度。

我们可以检查不同超参数下 GaussianProcessRegressor 的对数边际似然 (LML)，以了解局部最小值。

from matplotlib.colors import LogNorm

length_scale = np.logspace(-2, 4, num=50)
noise_level = np.logspace(-2, 1, num=50)
length_scale_grid, noise_level_grid = np.meshgrid(length_scale, noise_level)

log_marginal_likelihood = [
    gpr.log_marginal_likelihood(theta=np.log([0.36, scale, noise]))
    for scale, noise in zip(length_scale_grid.ravel(), noise_level_grid.ravel())
]
log_marginal_likelihood = np.reshape(
    log_marginal_likelihood, newshape=noise_level_grid.shape
)

vmin, vmax = (-log_marginal_likelihood).min(), 50
level = np.around(np.logspace(np.log10(vmin), np.log10(vmax), num=50), decimals=1)
plt.contour(
    length_scale_grid,
    noise_level_grid,
    -log_marginal_likelihood,
    levels=level,
    norm=LogNorm(vmin=vmin, vmax=vmax),
)
plt.colorbar()
plt.xscale("log")
plt.yscale("log")
plt.xlabel("Length-scale")
plt.ylabel("Noise-level")
plt.title("Log-marginal-likelihood")
plt.show()

我们看到有两个局部最小值对应于先前找到的超参数组合。根据超参数的初始值，基于梯度的优化可能会收敛到最佳模型，也可能不会。因此，重要的是对不同的初始化重复进行多次优化。

Related examples

不同核函数下高斯过程的先验和后验示例

不同核函数下高斯过程的先验和后验示例

高斯过程回归：基础入门示例

高斯过程回归：基础入门示例

在 XOR 数据集上展示高斯过程分类 (GPC)

在 XOR 数据集上展示高斯过程分类 (GPC)

核岭回归和高斯过程回归的比较

核岭回归和高斯过程回归的比较