RBF#

class sklearn.gaussian_process.kernels.RBF(length_scale=1.0, length_scale_bounds=(1e-05, 100000.0))[源代码]#

Radial basis function kernel (aka squared-exponential kernel).

RBS核是一个稳定核。它也被称为“平方指数”核。它由长度比例参数参数化 \(l>0\) ，它可以是一个纯量（核的各向同性变体），也可以是与输入X具有相同维度数的载体（核的各向异性变体）。内核由下式给出：

\[k(x_i, x_j) = \exp\left(- \frac{d(x_i, x_j)^2}{2l^2} \right)\]

哪里 \(l\) 是内核的长度范围， \(d(\cdot,\cdot)\) 是欧几里得距离。有关如何设置长度比例参数的建议，请参阅例如 [1].

该核是无限可微的，这意味着以该核作为协方差函数的GP具有所有阶的均方求导，因此非常光滑。看到 [2], 第4章，第4.2节，了解RBS核的更多详细信息。

阅读更多的 User Guide .

Added in version 0.18.

参数:

length_scalefloat or ndarray of shape（n_features，），default=1.0: 内核的长度规模。如果是float，则使用各向同性内核。如果是数组，则使用各向异性核，其中l的每个维度定义了相应特征维度的长度尺度。
length_scale_bounds浮点数对>= 0或“固定”，默认=（1 e-5，1 e5）: “long_scale”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“long_scale”。

引用

[1]

David Duvenaud (2014). "The Kernel Cookbook: Advice on Covariance functions". <https://www.cs.toronto.edu/~duvenaud/cookbook/> _

[2]

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 load_iris
>>> from sklearn.gaussian_process import GaussianProcessClassifier
>>> from sklearn.gaussian_process.kernels import RBF
>>> X, y = load_iris(return_X_y=True)
>>> kernel = 1.0 * RBF(1.0)
>>> gpc = GaussianProcessClassifier(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpc.score(X, y)
0.9866...
>>> gpc.predict_proba(X[:2,:])
array([[0.8354..., 0.03228..., 0.1322...],
       [0.7906..., 0.0652..., 0.1441...]])

__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