DotProduct#

class sklearn.gaussian_process.kernels.DotProduct(sigma_0=1.0, sigma_0_bounds=(1e-05, 100000.0))[源代码]#

点产品内核。

DotProducts核是非平稳的，可以通过将 \(N(0, 1)\) 系数的先验 \(x_d (d = 1, . . . , D)\) 以及一个先验的 \(N(0, \sigma_0^2)\) 关于偏见。DotProducts内核对于坐标绕原点的旋转不改变，但对于平移不改变。它由参数sigma_0参数化 \(\sigma\) 它控制内核的不均匀性。为 \(\sigma_0^2 =0\) ，该核称为齐次线性核，否则它是非齐次的。内核由以下给出

\[k（x_i，x_j）=\sigma_0 ^ 2 + x_i \cdot x_j\]

DotProducts内核通常与取指数相结合。

看到 [1], 第4章，第4.2节，了解有关DotProduct内核的更多详细信息。

阅读更多的 User Guide .

Added in version 0.18.

参数:

sigma_0float >= 0，默认=1.0: 控制内核不均匀性的参数。如果sigma_0=0，则内核是同质的。
sigma_0_bounds浮点数对>= 0或“固定”，默认=（1 e-5，1 e5）: “sigma_0”的下限和上限。如果设置为“fixed”，则在超参数调优期间无法更改“sigma_0”。

引用

[1]

Carl Edward Rasmussen, Christopher K. I. Williams (2006). "Gaussian Processes for Machine Learning". The MIT Press. <http://www.gaussianprocess.org/gpml/> _

示例

>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import DotProduct, WhiteKernel
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = DotProduct() + WhiteKernel()
>>> gpr = GaussianProcessRegressor(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.3680...
>>> gpr.predict(X[:2,:], return_std=True)
(array([653.0..., 592.1...]), array([316.6..., 316.6...]))

__call__(X, Y=None, eval_gradient=False)[源代码]#

返回内核k（X，Y）以及可选的其梯度。

参数:

X形状的nd数组（n_samples_X，n_features）: 返回的内核k（X，Y）的左参数
Y形状的nd数组（n_samples_Y，n_features），默认=无: 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。仅当Y为无时支持。

返回:

K形状的nd数组（n_samples_X，n_samples_Y）: 核k（X，Y）
K_gradientnd形状数组（n_samples_X，n_samples_X，n_dims），任择: 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形状的nd数组（n_dims，2）: 核超参数theta的log转换界限

clone_with_theta(theta)[源代码]#

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)[源代码]#

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

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

参数:

X形状的nd数组（n_samples_X，n_features）: 返回的内核k（X，Y）的左参数。

返回:

K_diag形状的nd数组（n_samples_X，）: 核函数k（X，X）的对角线。

get_params(deep=True)[源代码]#

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()[源代码]#: 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#: 返回内核是在固定长度特征载体上还是在通用对象上定义的。默认为True以实现向后兼容性。

set_params(**params)[源代码]#

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