问题描述
我想用高斯过程实现一个二元分类模型。根据{{3}},我的代码如下。
X 有 2048 个特征,Y 是 0 或 1。优化模型后,我尝试评估性能。
然而,predict_y
方法产生了一个奇怪的结果;预期的 pred
应该具有类似 (n_test_samples,2) 的形状,它表示属于 0 类和 1 类的概率。但我得到的结果是 (n_test_samples,n_training_samples)。
出了什么问题?
def model(X,Y):
'''
X: (n_training_samples,n_features),my example is (n,2048)
Y: (n_training_samples,),binary classification
'''
m = gpflow.models.VGP(
(X,Y),likelihood=gpflow.likelihoods.Bernoulli(),kernel=gpflow.kernels.SquaredExponential()
)
opt = gpflow.optimizers.Scipy()
opt.minimize(m.training_loss,variables=m.trainable_variables)
return m
def evaluate(model,X,Y,accuracy,MCC,Kappa):
'''
X: (n_test_samples,2048)
Y: (n_test_samples,binary classification
'''
pred,_ = model.predict_y(X)
print('pred.shape is {}'.format(pred)) # I got wired result (num of test samples <X.shape[0]>,num of training samples)
accuracy += [accuracy_score(Y,pred)]
MCC += [matthews_corrcoef(Y,pred)]
Kappa += [cohen_kappa_score(Y,pred)]
return accuracy,Kappa
解决方法
我终于明白了。原因是 VGP 模型的 Y 形状应该类似于 (n_training_samples,1) 而不是 (n_training_samples,)。