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: