Я строю модель категоризации с использованием Gaussian Process with Noise - я не понимаю, почему это ошибка при ошибке значенияGaussian Process Model with Noise: ValueError: самородок должен быть либо скаляром, либо массивом длины n_samples
У меня есть набор данных с примерно 10%, обозначенным как цель 1 или 0. Я пытаюсь предсказать вероятность того, что остальные 90% будут равны 1.
Я использовал sklearn для разделения помеченного набора на тренировки и тестового набора.
Х представляет собой feature_training и это np.array X.shape (54,9)
у является feature_target, и это является np.array y.shape (54,1)
оба поплавка и шума вычисляется как:
dy = 0.5 + 1.0 * np.random.random(y.shape)
noise = np.random.normal(0, dy)
y = (y + noise)
y.shape
(54,1)
самородок имеет тип numpy.ndarray и формы (54,1)
В гауссовой модели процесса я использую -
gp = GaussianProcess(corr='squared_exponential', theta0=1e-1,
thetaL=1e-3, thetaU=1,
nugget=(dy/y) ** 2,
random_start=100)
gp.fit(X, y)
терпит неудачу, потому что: ValueError: самородок должен быть скаляр или массив длины n_samples
Похоже, X, Y, самородок все типа numpy.ndarray и правильной формы. Я думаю, что самородок имеет длину n_samples (54), поэтому он должен быть эквивалентной длины.
Есть ли что-то очевидное, что мне не хватает?
Спасибо, maxymoo, который сделал это! – FJB