代理模型模块
代理模型模块的功能为训练代理模型和使用代理模型进行预测。其类图如图 4 1所示：
在本工具包中，构建代理模型的方法主要分为高斯过程和神经网络两个大类，分别对应着的是GPBase和NNBase两个类。这两个类的子类均为构造代理模型的具体方法，GP为普通高斯过程、 GPY为融合知识的高斯过程、EdaKnow为融合知识的进化神经网络、EBNN为融合知识的贝叶斯神经网络。
代理模型模块的主要功能
SurrogateModel中的API
名称 |
作用 |
|---|---|
setData（dataSet） |
设置训练代理模型所需的数据 |
setKnowledge（*args，knowList = None） |
设置训练代理模型所需要的知识 |
train(printError = true) |
训练代理模型 |
predict(x, variance = False) |
利用代理模型预测结果 |
score(dataSet，index= “MBSE”,error = 0.05) |
利用测试数据评价代理模型的精度 |
save(path) |
将代理模型保存为pkl文件 |
setData（dataSet） → None
设置训练代理模型所需要的数据
参数：
dataset，类型为dict，包含着数据信息的dict
返回：None
示例：:
from surrogatemodel import EBNN
model = EBNN(“α” = 0.3，“iteration”=3000) #设置神经网络的学习率为0.3 ，迭代次数为3000
model.setData(data) #这里的data为从数据模块中生成的数据dict，前面对应模块处已经详细做过介绍，这里不过多解释
setKnowledge（*args，knowList = None） → None
设置训练代理模型所需要的知识
参数：
args, 类型为dict，需要的知识字典，可以重复输入
knowledgelist，默认为None，可接受的类型为list，多条知识dict组成的集合。
返回：None
示例：:
from surrogatemodel import EBNN
model = EBNN(“α” = 0.3，“iteration”=3000) #设置神经网络的学习率为0.3 ，迭代次数为3000
model.setKnowledge(knowList = know) #这里的know为从知识模块中生成的多条知识dict组成的list，前面对应模块处已经详细做过介绍，这里不过多解释
train() → None
训练代理模型
参数：None
返回：None
示例：:
from surrogatemodel import EBNN
model = EBNN(“α” = 0.3，“iteration”=30000) #设置神经网络的学习率为0.3 ，迭代次数为3000
model.setData(data) #这里的data为从数据模块中生成的数据dict，前面对应模块处已经详细做过介绍，这里不过多解释
model.setKnowledge(knowList = know) #这里的know为从知识模块中生成的多条知识dict组成的list，前面对应模块处已经详细做过介绍，这里不过多解释
model.train()
predict(x, variance =False)→ numpy.array[nt,ny]或numpy.array[nt,ny],numpy.array[nt,1]
使用代理模型进行预测
参数：
x，类型为numpy.array[nt,nx]，nt为需要预测点的数量，nx为预测点输入的维度。预测点的输入矩阵
variance，类型为bool，默认为False。是否输出预测点对应位置的方差。并非全部的代理模型均可输出方差，仅有例如高斯过程和贝叶斯神经网络此类的模型可以输出方差信息
返回：
numpy.array[nt,ny]或numpy.array[nt,ny+1]，nt为预测点的数量，ny为预测点输出的维度。numpy.array[nt,ny]是variance为False时的返回，numpy.array[nt,ny+1]时variance为True时的返回，多出的一列记录着预测点的方差信息
示例：:
from surrogatemodel import EBNN
model = EBNN(“α” = 0.3，“iteration”=30000) #设置神经网络的学习率为0.3 ，迭代次数为3000
model.setData(data) #这里的data为从数据模块中生成的数据dict，前面对应模块处已经详细做过介绍，这里不过多解释
model.setKnowledge(knowList = know) #这里的know为从知识模块中生成的多条知识dict组成的list，前面对应模块处已经详细做过介绍，这里不过多解释
model.train()
x = np.linspace(0.0, 4.0, num) #生成预测点
y = model.predict(x,variance = True)
score(dataSet，index = “RSME”,error = 0.05) → numpy.array[ny]
利用给定的测试数据集，来评价当前代理模型的训练情况
参数：
dataSet，类型为dict。测试用数据集，包含着数据全部信息的dict
index，类型为str，可选项有“RSME”、“R2”、“Confidence”。评价代理模型时所使用到的指标，“RSME”为均方误差根，“R2”为R-平方，“Confidence”为一定误差水平下的置信度
error，类型为float。相对误差，当index = “Confidence”时，将会返回测试集中小于该相对误差下的置信度
返回：
numpy.array[ny]，在模型的每一个输出维度上，利用测试数据集计算出的所选指标值
示例：:
from surrogatemodel import EBNN
model = EBNN(“α” = 0.3，“iteration”=30000) #设置神经网络的学习率为0.3 ，迭代次数为3000
model.setData(data_train) #这里的data_train为从数据模块中生成的数据dict，前面对应模块处已经详细做过介绍，这里不过多解释
model.setKnowledge(knowList = know) #这里的know为从知识模块中生成的多条知识dict组成的list，前面对应模块处已经详细做过介绍，这里不过多解释
model.train()
confidence = model.score(data_test, index = “Confidence”，error = 0.03) #这里的data_test为从数据模块中生成的数据dict，前面对应模块处已经详细做过介绍，这里不过多解释
save(path) → None
将保存现有的代理模型保存为pkl文件的形式，下次需要使用时利用python中的pickle包进行加载即可
参数： * path，类型为str，pkl文件的路径和名称信息
返回：None
示例：:
from surrogatemodel import EBNN
import pickle
model = EBNN(“α” = 0.3，“iteration”=30000) #设置神经网络的学习率为0.3 ，迭代次数为3000
model.setData(data_train) #这里的data_train为从数据模块中生成的数据dict，前面对应模块处已经详细做过介绍，这里不过多解释
model.setKnowledge(knowList = know) #这里的know为从知识模块中生成的多条知识dict组成的list，前面对应模块处已经详细做过介绍，这里不过多解释
model.train( printError = True )
path = “model1.pkl
model.save(path) #保存模型
model2 = None
filename = "kriging.pkl"
with open(filename, "rb") as f:
model2 = pickle.load(f) #加载模型