gpflow分类实现

Question

我想实现一个使用高斯过程的二进制分类模型。根据official documentation，我有如下代码。

X有2048个特征，Y要么是0，要么是1。在优化模型后，我试图评估其性能。

然而，predict_y方法产生了一个奇怪的结果；预期的pred应该具有类似于(n_test_samples，2)的形状，它表示类0和1的概率。但我得到的结果是(n_test_samples，n_training_samples)。

哪里出了问题？

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, n_features)  , my example is (n, 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, MCC, Kappa

Answer 1

我终于想通了。原因是VGP模型的Y应该具有类似(n_training_samples，1)的形状，而不是(n_training_samples，)。