内核

class sklearn.gaussian_process.kernels.Kernel

所有内核的Base Class。

Added in version 0.18.

示例

>>> from sklearn.gaussian_process.kernels import Kernel, RBF
>>> import numpy as np
>>> class CustomKernel(Kernel):
...     def __init__(self, length_scale=1.0):
...         self.length_scale = length_scale
...     def __call__(self, X, Y=None):
...         if Y is None:
...             Y = X
...         return np.inner(X, X if Y is None else Y) ** 2
...     def diag(self, X):
...         return np.ones(X.shape[0])
...     def is_stationary(self):
...         return True
>>> kernel = CustomKernel(length_scale=2.0)
>>> X = np.array([[1, 2], [3, 4]])
>>> print(kernel(X))
[[ 25 121]
 [121 625]]

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

评估内核。

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)

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

abstractmethod diag(X)

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形状类似阵列（n_samples，）

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。

abstractmethod 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)

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