Почему прогноз среднего значения не меняется после добавления большего количества точек данных в регрессор гауссовского ⇐ Python

[Anonymous]

Я пытаюсь выполнить байесовскую оптимизацию в симуляторе робота, чтобы найти оптимальные значения Kd и Kp, соответствующие желаемой траектории (синусоидальное движение). Сначала я делаю несколько случайных движений руки, используя случайные значения Kp и Kd в заданном диапазоне, и отслеживаю ошибку от желаемого движения. В Гауссовском процессе я заметил, что примерно после 29 вызовов средний прогноз выглядит хорошо, но затем после 30 вызовов прогноз становится плоским (второе изображение). Почему так, слишком много точек данных, чтобы их можно было подобрать?
кстати, я использую здесь ядро ​​Matern, но то же самое происходит и с RBF

[img]https://i.sstatic. net/fQdxiu6t.png[/img]

rbf_kernel = Matern(
length_scale=1.0, # Initial length scale
length_scale_bounds=(1e-2, 1e2) # Bounds for length scale
)

# Create and fit the GP regressor
gpkd0 = GaussianProcessRegressor(
kernel=rbf_kernel,
normalize_y=True,
random_state=42
)
gpkd0.fit(np.array(kd0_values).reshape(-1,1), tracking_errors)
kd0_range = np.linspace(0.0, 100, 200).reshape(-1, 1)

y_mean_kd0, y_std_kd0 = gpkd0.predict(kd0_range, return_std=True)

print("y_mean_kd0: ", y_mean_kd0)
print("y_std_kd0: ", y_std_kd0)

plt.plot(kd0_range, y_mean_kd0, 'k-', lw=1.5, zorder=9, label='Mean prediction')
plt.fill_between(kd0_range.ravel(), y_mean_kd0 - 1.96 * y_std_kd0, y_mean_kd0 + 1.96 * y_std_kd0,
alpha=0.5, fc='orange', ec='None', label='95% confidence interval')
plt.scatter(kd0_values, tracking_errors, c='blue', s=50, zorder=10, edgecolors=(0, 0, 0), label='Observations')
plt.title("Gaussian process regression on noise-free dataset Kd")
plt.xlabel('X')
plt.ylabel('f(X)')
plt.legend(loc='upper left')
plt.close()


Подробнее здесь: https://stackoverflow.com/questions/790 ... aussian-pr