Ctrl+K

产品#

class sklearn.gaussian_process.kernels.Product(k1, k2)[源代码]#

的 Product 内核需要两个内核 \(k_1\) 和 \(k_2\) 并通过将它们结合起来

\[k_{prod}（X，Y）= k_1（X，Y）* k_2（X，Y）\]

注意到 __mul__ 魔法方法被重写，所以 Product(RBF(), RBF()) 相当于使用 * operator with RBF() * RBF（）。

阅读更多的 User Guide .

Added in version 0.18.

参数:
k1内核

乘积核的第一个基本核

k2内核

产品内核的第二个基本内核

示例

>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import (RBF, Product,
...            ConstantKernel)
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = Product(ConstantKernel(2), RBF())
>>> gpr = GaussianProcessRegressor(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
1.0
>>> kernel
1.41**2 * RBF(length_scale=1)
__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类似阵列的形状（n_samples_X，n_features）或对象列表

返回的内核k（X，Y）的左参数

Y类似阵列的形状（n_samples_Y，n_features）或对象列表， 默认值=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。

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，）

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#

返回内核是否静止。

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