问题描述
我正在使用 scikit-learn Python 库对需要七个输入的函数执行贝叶斯优化（在高斯过程回归之上）。其中四个输入代表物理角度，因此高斯核在其中应该是周期性的；一个自然的选择是sklearn.gaussian_process.kernels.ExpSineSquared。但是，我不想随意强制函数在其他三个中具有周期性。
根据 The Kernel Cookbook，正确的方法是简单地将周期变量上的 ExpSinesquared 核与其他非周期核（例如 Matérn 核）相乘，得到类似
ExpSinesquared(x[:3])*Matern(x[3:])
（其中 x 是参数的 7 向量）。有人会认为 sklearn.gaussian_process.kernels 中实现的 the Product kernel 将是可行的方法，但据我所知，这不允许我选择哪些参数是周期性的，哪些不是；使用 Product 内核将有效地给我 ExpSinesquared(x)*Matern(x)。
由于我对 sklearn 中的 GPR 不是很熟悉，那么实现我想要的内核的最佳方法是什么？
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）