Ctrl+K

PairwiseKernel#

class sklearn.gaussian_process.kernels.PairwiseKernel(gamma=1.0, gamma_bounds=(1e-05, 100000.0), metric='linear', pairwise_kernels_kwargs=None)[源代码]#

sklearn.metrics.pairwise中的内核包装。

一个围绕sklearn.metrics.pairwise中内核功能的薄包装器。

注意：eval_gradient的评估不是分析的，而是数字的等等

内核仅支持各向同性距离。参数gamma被认为是超参数并且可以进行优化。其他内核参数在初始化时直接设置，并保持固定。

Added in version 0.18.

参数:
gammafloat，默认=1.0

由指标指定的成对核的参数gamma。它应该是积极的。

gamma_bounds浮点数对>= 0或“固定”，默认=（1 e-5，1 e5）

“伽玛”的下限和上限。如果设置为“fixed”，则在超参数调整期间无法更改“gamma”。

metric{“线性”、“additive_chi2”、“chi 2”、“Polyal”、“polymic”、 “rBF”、“Laplacian”、“sigmoid”、“cos”}或可调用， 默认=“线性”

计算特征数组中实例之间的内核时使用的指标。如果指标是字符串，则它必须是成对的指标之一。PAIRWISE_KERNEL_FUNCTIONS。如果指标是“预先计算的”，则假设X是核矩阵。或者，如果metric是一个可调用的函数，则会对每对实例（行）调用它并记录结果值。可调用对象应该从X中获取两个数组作为输入，并返回一个指示它们之间距离的值。

pairwise_kernels_kwargsdict，默认=无

这个dict的所有条目（如果有的话）都作为关键字参数传递给pairwise内核函数。

示例

>>> from sklearn.datasets import load_iris
>>> from sklearn.gaussian_process import GaussianProcessClassifier
>>> from sklearn.gaussian_process.kernels import PairwiseKernel
>>> X, y = load_iris(return_X_y=True)
>>> kernel = PairwiseKernel(metric='rbf')
>>> gpc = GaussianProcessClassifier(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpc.score(X, y)
0.9733...
>>> gpc.predict_proba(X[:2,:])
array([[0.8880..., 0.05663..., 0.05532...],
       [0.8676..., 0.07073..., 0.06165...]])
__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

On this page