sklearn.gaussian_process.WhiteKernel¶
class sklearn.gaussian_process.kernels.WhiteKernel(noise_level=1.0, noise_level_bounds=(1e-05, 100000.0))
白内核。
这个内核的主要用例是作为和内核的一部分，它将信号的噪声解释为独立的、相同的正态分布。参数噪声电平等于该噪声的方差。
在用户指南中阅读更多内容。
新版本 0.18 。
| 参数 | 说明 |
|---|---|
| noise_level | float, default=1.0 噪声电平(方差)的参数控制 |
| noise_level_bounds | pair of floats >= 0 or “fixed”, default=(1e-5, 1e5) 噪声级的下界和上界。如果设置为“固定”，则在超参数调优过程中无法更改“噪音级别”。 |
| 属性 | 说明 |
|---|---|
| bounds | 返回的对数变换界限。 |
| hyperparameter_noise_level | |
| 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 | 返回内核是在固定长度的特征向量上定义的还是在通用对象上定义的。 |
| 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 DotProduct, WhiteKernel
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = DotProduct() + WhiteKernel(noise_level=0.5)
>>> gpr = GaussianProcessRegressor(kernel=kernel,
... random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.3680...
>>> gpr.predict(X[:2,:], return_std=True)
(array([653.0..., 592.1... ]), array([316.6..., 316.6...]))
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, noise_level=1.0, noise_level_bounds=(1e-05, 100000.0))
初始化self. 请参阅help(type(self))以获得准确的说明 。
__call__(self, X, Y=None, eval_gradient=False)
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_X, 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
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)
返回带有给定超参数theta的self的克隆。
| 参数 | 说明 |
|---|---|
| theta | ndarray of shape (n_dims,) 的hyperparameters |
diag(self, X)
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)
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
返回所有超参数的列表。
is_stationary(self)
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
核是否只对固定长度的特征向量有效。
set_params(self, **params)
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。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 |
