approx_hsgp_hyperparams#
- pymc_marketing.mmm.hsgp.approx_hsgp_hyperparams(x, x_center, lengthscale_range, cov_func)[fuente]#
Utilice heurísticas para los valores mínimos de
myc.Basado en las recomendaciones de Ruitort-Mayol et. al.
En la práctica, necesita elegir
clo suficientemente grande como para manejar las escalas de longitud más grandes, ymlo suficientemente grande como para acomodar las escalas de longitud más pequeñas.NOTA: Estas recomendaciones se basan en un GP unidimensional.
- Parámetros:
- xtensor_like
Los valores x sobre los cuales se evaluará el HSGP.
- x_centertensor_like
El centro de los datos.
- rango_de_longitud :
tuple[float,float]python:tupla[python:flotante, python:flotante] El rango de las escalas de longitud. Debe ser una lista con dos elementos [lengthscale_min, lengthscale_max].
- cov_func
Literal[«expquad», «matern32», «matern52»] La función de covarianza a utilizar. Las opciones soportadas son «expquad», «matern52» y «matern32».
- Devoluciones:
- - `m`
int Número de vectores base. Aumentarlo ayuda a aproximar escalas de longitud más pequeñas, pero incrementa el costo computacional.
- - `c`
float Factor de escalado tal que L = c * S, donde L es el límite de la aproximación. Aumentarlo ayuda a aproximar escalas de longitud más grandes, pero puede requerir aumentar m.
- - `m`
- Aumentos:
ValueErrorSi
x_rangeolengthscale_rangeno están en el orden correcto.
Referencias
[1]Ruitort-Mayol, G., Anderson, M., Solin, A., Vehtari, A. (2022).
Espacios de Hilbert Prácticos Aproximados de Procesos Gaussianos Bayesianos para Programación Probabilística