Surrogate API
UQPyL.surrogate
surrogate 模块训练用于昂贵仿真、目标函数或中间响应面的预测模型。
导入
python
from UQPyL.surrogate.rbf import RBF
from UQPyL.surrogate.gp import GPR
from UQPyL.surrogate.kriging import KRG
from UQPyL.surrogate import MinMaxScaler, StandardScaler, KFold, AutoTuner公共对象
| 类别 | 对象 |
|---|---|
| 基础接口 | SurrogateABC, MultiSurrogate |
| RBF | RBF, Cubic, Linear, Multiquadric, ThinPlateSpline, Gaussian |
| Gaussian process | GPR |
| Kriging | KRG |
| Regression | LinearRegression, PolynomialRegression |
| Optional models | MARS, SVR |
| Scalers | Scaler, MinMaxScaler, StandardScaler |
| Splitting | KFold, RandSelect |
| Metrics | r_square, nse, mse, rank_score, sort_score |
| Tuning | AutoTuner |
MARS 和 SVR 可能依赖可选编译依赖，未安装时不可用。
通用拟合和预测
text
model.fit(xTrain, yTrain)
yPred = model.predict(xPred)| 调用 | 返回 |
|---|---|
model.predict(X) | 预测均值。 |
model.predict(X, returnStd=True) | (mean, std)，仅支持 uncertainty 的模型。 |
model.predict(X, returnVar=True) | (mean, var)，仅支持 uncertainty 的模型。 |
当前通常用 GPR 或 KRG 获取 uncertainty 输出。
模型
| 模型 | 主要参数 | 说明 |
|---|---|---|
RBF | kernel, C_smooth, scalers, polyFeature | RBF 响应面模型。 |
GPR | kernel, optimizer, nRestartTimes, C | Gaussian process regression，支持 uncertainty。 |
KRG | kernel, regression, optimizer, nRestartTimes | Kriging 模型，支持 uncertainty。 |
LinearRegression | lossType, fitIntercept, C | 线性/岭/Lasso 回归。 |
PolynomialRegression | degree, onlyInteraction, lossType | 多项式回归。 |
MARS | max_terms, max_degree, penalty | MARS，可选依赖。 |
SVR | symbol, kernel, C, epsilon, gamma | Support vector regression，可选依赖。 |
Scaler 和特征
| 对象 | 含义 |
|---|---|
MinMaxScaler(min_=0, max_=1) | 将每个特征映射到指定范围。 |
StandardScaler(muX=0, sitaX=1) | 标准化到指定均值和标准差尺度。 |
PolyFeature(degree=2, includeBias=False, onlyInteraction=False) | 多项式特征扩展。 |
Scaler 方法：
| 方法 | 含义 |
|---|---|
fit(trainX) | 拟合统计量。 |
transform(trainX) | 转换数据。 |
fit_transform(trainX) | 拟合并转换。 |
inverse_transform(trainX) | 逆变换。 |
切分和指标
| 对象或函数 | 含义 |
|---|---|
KFold(n_splits=5) | K 折索引切分。 |
RandSelect(pTest=5) | 随机 train/test 切分，pTest 是测试集百分比。 |
r_square(true_Y, pre_Y) | R-squared。 |
nse(true_Y, pre_Y) | Nash-Sutcliffe efficiency。 |
mse(true_Y, pre_Y) | Mean squared error。 |
rank_score(true_Y, pre_Y) | 排序一致性指标。 |
sort_score(true_Y, pre_Y) | 排序索引距离。 |
AutoTuner
text
AutoTuner(model, optimizer=None)| 方法 | 含义 |
|---|---|
gridTune(xData, yData, paraGrid=None, ratio=10, owner=None, tuneMode="separate") | 显式网格搜索参数。 |
optTune(xData, yData, paraList=None, ratio=10, owner=None, tuneMode="separate") | 使用优化器搜索参数。 |
调参后，AutoTuner 会把最优参数应用到模型，并用全量数据重新拟合。
下一步
| 目标 | 阅读 |
|---|---|
| 用户指南 | Surrogate Modeling |
| 训练数据采样 | DOE API |
| 代理辅助优化 | Optimization API |