sklearn.gaussian_process.Exponentiation

class sklearn.gaussian_process.kernels.Exponentiation(kernel, exponent)

[源码]

取幂核接受一个基核和一个标量参数,并通过

请注意,剩余的__pow__魔法方法被覆盖了,因此求幂Exponentiation(RBF(), 2)使用 ** operator with RBF() ** 2.

用户指南中阅读更多内容。

新版本0.18。

参数 说明
kernel Kernel
的基本内核
exponent float
基核的指数
属性 说明
bounds 返回的对数变换界限。
hyperparameters 返回所有超参数规范的列表。
n_dims 返回内核的非固定超参数的数量。
requires_vector_input 返回内核是否定义在离散结构上。
theta 返回(扁平的、对数转换的)非固定超参数。

示例

>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import (RationalQuadratic,
...            Exponentiation)
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = Exponentiation(RationalQuadratic(), exponent=2)
>>> gpr = GaussianProcessRegressor(kernel=kernel, alpha=5,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.419...
>>> gpr.predict(X[:1,:], return_std=True)
(array([635.5...]), array([0.559...]))

方法

方法 说明
__call__(self, X[, Y, eval_gradient]) 返回核函数k(X, Y)和它的梯度。
clone_with_theta(self, theta) 返回带有给定超参数theta的self的克隆。
diag(self, X) 返回核函数k(X, X)的对角线。
get_params(self[, deep]) 获取这个内核的参数。
is_stationary(self) 返回内核是否静止。
set_params(self, **params) 设置这个内核的参数。
__init__(self, kernel, exponent)

[源码]

初始化self. See 请参阅help(type(self))以获得准确的说明 。

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

[源码]

返回核函数k(X, Y)和它的梯度。

参数 说明
X array-like of shape (n_samples_X, n_features) or list of object
返回核函数k(X, Y)的左参数
Y array-like of shape (n_samples_Y, n_features) or list of object, default=None
返回的核函数k(X, Y)的正确参数。如果没有,则计算k(X, X)。
eval_gradient bool, default=False
确定关于核超参数的梯度是否确定。只有当Y没有的时候才被支持。
返回值 说明
K ndarray of shape (n_samples_X, n_samples_Y)
内核k (X, Y)
K_gradient ndarray of shape (n_samples_X, n_samples_X, n_dims), optional
核函数k(X, X)关于核函数超参数的梯度。只有当eval_gradient为真时才返回。
property bounds

[源码]

返回的对数变换界限。

返回值 说明
bounds ndarray of shape (n_dims, 2)
核函数超参数的对数变换界限
clone_with_theta(self, theta)

[源码]

返回带有给定超参数theta的self的克隆。

返回值 说明
theta ndarray of shape (n_dims,)
的hyperparameters
diag(self, X)

[源码]

返回核函数k(X, X)的对角线。

该方法的结果与np.diag(self(X))相同;但是,由于只计算对角,因此可以更有效地计算它。

参数 说明
X array-like of shape (n_samples_X, n_features) or list of object
参数指向内核。
返回值 说明
K_diag ndarray of shape (n_samples_X,)
核k(X, X)的对角线
get_params(self, deep=True)

[源码]

获取这个内核的参数。

参数 说明
deep bool, default=True
如果为真,将返回此估计器的参数以及包含的作为估计器的子对象。
返回值 说明
params dict
参数名称映射到它们的值。
property hyperparameters

[源码]

返回所有超参数的列表。

is_stationary(self)

[源码]

返回内核是否静止。

property n_dims

返回内核的非固定超参数的数量。

property requires_vector_input

返回内核是否定义在离散结构上。

set_params(self, **params)

[源码]

设置这个内核的参数。

该方法适用于简单估计量和嵌套对象(如pipline)。后者具有形式为<component>_<parameter>的参数,这样就让更新嵌套对象的每个组件成为了可能。

返回值 说明
self -
property theta

返回(扁平的、对数转换的)非固定超参数。

注意,theta通常是内核超参数的对数变换值,因为这种搜索空间的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。

返回值 说明
theta ndarray of shape (n_dims,)
核函数的非固定、对数变换超参数