我想使用高斯过程实现一个二元分类模型。根据官方文档，我编写了如下代码。

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(n_test_samples, 2)的形状，表示类别0和1的概率。但我得到的结果却是(n_test_samples, n_training_samples)。

哪里出错了？

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 mdef 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

回答：

我最终找到了原因。原因是VGP模型的Y应该具有(n_training_samples, 1)的形状，而不是(n_training_samples,)。