我想使用我在 Scikit-learn 的 GaussianProcessRegressor 中的训练数据优化内核参数或超参数。以下是我的查询：

我的训练数据集是：

X：二维笛卡尔坐标作为输入数据

y：作为观察输出的二维坐标点处的无线电信号强度 (RSS)

到目前为止我所做的：

我已经安装了 python 和 Scikit-learn 软件。我已经成功测试了示例代码。我能够使用训练数据在测试点预测 RSS。我使用平方指数内核。

我想做什么：

我想用不同的优化算法（如梯度下降、群智能和信任区域反射算法）训练内核参数（超参数）。

我学到了什么以及我需要什么帮助：

我了解到，在 scikit 的 GaussianProcessRegressor 类中，优化器是我可以使用自己的优化算法的参数。由于它是可调用的，我需要为它编写自己的函数/方法。我可以在 GaussianProcessRegressor 类中使用任何内置库（优化算法库）吗？是否有可用于 python 的此类库？任何人都可以提供在 GaussianProcessRegressor 中使用内核参数优化算法的任何示例代码吗？我了解到我们使用训练数据集来优化超参数。有人可以提供有关将训练数据集与优化算法相关联的任何见解吗？

谢谢！