高斯过程不确定性的python传播
scikit-gpupp的Python项目详细描述
https://github.com/snphbaum/scikit gpuppy
此软件包提供了使用高斯过程（即kriging、高斯随机场、高斯随机函数）建模函数和模拟的方法。
此外，不确定性可以通过高斯过程传播。
注：
高斯过程回归和不确定度传播基于吉拉德的理论.
警告：
基于snelson工作的扩展已经可用，但速度不够快。
此外，不确定性传播还不能与此扩展一起工作。
反不确定性传播的另一个扩展基于我的论文（以及即将发表的博士论文）[br/>
函数：math:`f（x）+\epsilon`（：math:`x\in\mathbb{r}^n`），附加随机错误：math:`\epsilon\sim\mathcal{n}（0，v）`.
这个可选的错误是由于大多数模拟的随机性。
*gaussian process*模块使用回归将模拟建模为高斯过程。
*unconfirationpropagation*模块允许传播不确定性
：math:`x\sim\mathcal{n}（\mu，\ sigma）`通过高斯过程来估计模拟的输出不确定性。
*ffni*和*taylorpropagation*模块提供通过确定性函数传播不确定性的类。
*inverseuncentypropagation*模块允许传播期望的模拟的输出不确定性BR/>假定输入的分量：Max:x是用极大似然估计从样本中估计的。BR/>然后，逆不确定传播计算最佳估计样本量：Max:x，从而导致期望的输出不确定性。吉拉德，A.用高斯过程模型进行不确定性传播的近似方法，格拉斯哥大学，2004＜BR/>。Snelson，E. L.，机器学习的灵活高效的高斯过程模型，GATSBY计算神经科学单位，伦敦大学学院，2007 BR/>[]Baumgaertel，P.；Endler，G.；Wahl，A.M.&Lenz，R.《需求驱动数据采集的不确定性逆传播》，《2014年冬季模拟会议论文集》，IEEE出版社，2014年，710-721
此软件包提供了使用高斯过程（即kriging、高斯随机场、高斯随机函数）建模函数和模拟的方法。
此外，不确定性可以通过高斯过程传播。
注：
高斯过程回归和不确定度传播基于吉拉德的理论.
警告：
基于snelson工作的扩展已经可用，但速度不够快。
此外，不确定性传播还不能与此扩展一起工作。
反不确定性传播的另一个扩展基于我的论文（以及即将发表的博士论文）[br/>
函数：math:`f（x）+\epsilon`（：math:`x\in\mathbb{r}^n`），附加随机错误：math:`\epsilon\sim\mathcal{n}（0，v）`.
这个可选的错误是由于大多数模拟的随机性。
*gaussian process*模块使用回归将模拟建模为高斯过程。
*unconfirationpropagation*模块允许传播不确定性
：math:`x\sim\mathcal{n}（\mu，\ sigma）`通过高斯过程来估计模拟的输出不确定性。
*ffni*和*taylorpropagation*模块提供通过确定性函数传播不确定性的类。
*inverseuncentypropagation*模块允许传播期望的模拟的输出不确定性BR/>假定输入的分量：Max:x是用极大似然估计从样本中估计的。BR/>然后，逆不确定传播计算最佳估计样本量：Max:x，从而导致期望的输出不确定性。吉拉德，A.用高斯过程模型进行不确定性传播的近似方法，格拉斯哥大学，2004＜BR/>。Snelson，E. L.，机器学习的灵活高效的高斯过程模型，GATSBY计算神经科学单位，伦敦大学学院，2007 BR/>[]Baumgaertel，P.；Endler，G.；Wahl，A.M.&Lenz，R.《需求驱动数据采集的不确定性逆传播》，《2014年冬季模拟会议论文集》，IEEE出版社，2014年，710-721
标签：
欢迎加入QQ群-->： 979659372
