我使用了Rasmussen提出的稀疏高斯过程进行回归。[\http://www.tsc.uc3m.es/~miguel/downloads.php][1]

预测均值的语法是：

[~, mu_1, ~, ~, loghyper] = ssgpr_ui(Xtrain, Ytrain, Xtest, Ytest, m);

我的问题是，作者指出初始超参数搜索条件在不同迭代中是不同的，因此模型的结果在每次迭代中都会有所不同。有没有办法确保设置最佳的初始化或种子条件，以获得高质量的超参数，从而实现最佳预测和可重复的结果？

回答：

为了每次都能得到相同的预测，可以通过stream = RandStream('mt19937ar','Seed',123456); RandStream.setGlobalStream(stream);来设置种子。

然而，设置最佳种子并没有标准程序。这样做会导致模型过拟合，因为我们为拟合训练数据提供了过于理想的条件，正如@mikkola所引用的那样。