CompoundKernel

class sklearn.gaussian_process.kernels.CompoundKernel(kernels)

由一组其他内核组成的内核。

Added in version 0.18.

参数:

kernels核心列表

其他果仁

示例

>>> from sklearn.gaussian_process.kernels import WhiteKernel
>>> from sklearn.gaussian_process.kernels import RBF
>>> from sklearn.gaussian_process.kernels import CompoundKernel
>>> kernel = CompoundKernel(
...     [WhiteKernel(noise_level=3.0), RBF(length_scale=2.0)])
>>> print(kernel.bounds)
[[-11.51292546  11.51292546]
 [-11.51292546  11.51292546]]
>>> print(kernel.n_dims)
2
>>> print(kernel.theta)
[1.09861229 0.69314718]

__call__(X, Y=None, eval_gradient=False)

返回内核k（X，Y）以及可选的其梯度。

请注意，这个复合内核返回沿着额外轴堆叠的所有简单内核的结果。

参数:

Xarray-like of shape (n_samples_X, n_features) or list of object, default=None

返回的内核k（X，Y）的左参数

Yarray-like of shape (n_samples_X, n_features) or list of object, default=None

返回的内核k（X，Y）的正确参数。如果无，则改为计算k（X，X）。

eval_gradient布尔，默认=假

确定是否计算相对于内核超参数日志的梯度。

返回:

K形状的nd数组（n_samples_X，n_samples_Y，n_kernels）

核k（X，Y）

K_gradient形状数组 （n_samples_X，n_samples_X，n_dims，n_kernels），可选

核k（X，X）相对于核超参数log的梯度。只有当 eval_gradient 是真的

property bounds

返回theta的log转换边界。

返回:

bounds形状数组（n_dims，2）

核超参数theta的log转换界限

clone_with_theta(theta)

返回具有给定超参数theta的自我克隆。

参数:

theta形状的nd数组（n_dims，）

超参数

diag(X)

Returns the diagonal of the kernel k(X, X).

该方法的结果与 np.diag(self(X)) 然而，由于仅评估对角线，因此可以更有效地评估它。

参数:

X类似阵列的形状（n_samples_X，n_features）或对象列表

参数传递到内核。

返回:

K_diag形状的nd数组（n_samples_X，n_kernels）

核k（X，X）的对角线

get_params(deep=True)

获取此内核的参数。

参数:

deep布尔，默认=True

如果为True，将返回此估计量和包含的作为估计量的子对象的参数。

返回:

paramsdict

参数名称映射到其值。

property hyperparameters

返回所有超参数规范的列表。

is_stationary()

返回内核是否静止。

property n_dims

返回内核非固定超参数的数量。

property requires_vector_input

返回内核是否定义在离散结构上。

set_params(**params)

Set the parameters of this kernel.

该方法适用于简单内核和嵌套内核。后者具有以下形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。

返回:

自我

property theta

返回（拉平、日志转换）非固定超参数。

注意，theta通常是内核超参数的对数变换值，因为搜索空间的这种表示更适合超参数搜索，因为像长度尺度这样的超参数自然存在于对数尺度上。

返回:

theta形状的nd数组（n_dims，）

内核的非固定的、经过log转换的超参数