CompoundKernel#

class sklearn.gaussian_process.kernels.CompoundKernel(kernels)[source]#

由一組其他核函數組成的核函數。

在 0.18 版本中新增。

參數:

kernels核函數列表: 其他的核函數

範例

>>> from sklearn.gaussian_process.kernels import WhiteKernel
>>> from sklearn.gaussian_process.kernels import RBF
>>> from sklearn.gaussian_process.kernels import CompoundKernel
>>> kernel = CompoundKernel(
...     [WhiteKernel(noise_level=3.0), RBF(length_scale=2.0)])
>>> print(kernel.bounds)
[[-11.51292546  11.51292546]
 [-11.51292546  11.51292546]]
>>> print(kernel.n_dims)
2
>>> print(kernel.theta)
[1.09861229 0.69314718]

__call__(X, Y=None, eval_gradient=False)[source]#

返回核函數 k(X, Y)，並可選擇返回其梯度。

請注意，此複合核函數會沿著額外的軸返回所有簡單核函數的堆疊結果。

參數:

X形狀為 (n_samples_X, n_features) 的類陣列或物件列表，預設為 None: 返回的核函數 k(X, Y) 的左參數
Y形狀為 (n_samples_X, n_features) 的類陣列或物件列表，預設為 None: 返回的核函數 k(X, Y) 的右參數。如果為 None，則會改為評估 k(X, X)。
eval_gradient布林值，預設為 False: 決定是否計算相對於核函數超參數對數的梯度。

返回值:

K形狀為 (n_samples_X, n_samples_Y, n_kernels) 的 ndarray: 核心函數 k(X, Y)
K_gradient形狀為 (n_samples_X, n_samples_X, n_dims, n_kernels) 的 ndarray，選填: 核心函數 k(X, X) 相對於核心函數超參數的對數的梯度。只有當 eval_gradient 為 True 時才會返回。

property bounds#

返回 theta 的對數轉換邊界。

返回值:

bounds形狀為 (n_dims, 2) 的陣列: 核心函數超參數 theta 的對數轉換邊界

clone_with_theta(theta)[原始碼]#

返回具有給定超參數 theta 的 self 的副本。

參數:

theta形狀為 (n_dims,) 的 ndarray: 超參數

diag(X)[原始碼]#

返回核心函數 k(X, X) 的對角線。

此方法的結果與 np.diag(self(X)) 相同；然而，由於只評估對角線，因此可以更有效率地進行評估。

參數:

X形狀為 (n_samples_X, n_features) 的類陣列或物件列表: 核心函數的參數。

返回值:

K_diag形狀為 (n_samples_X, n_kernels) 的 ndarray: 核心函數 k(X, X) 的對角線

get_params(deep=True)[原始碼]#

取得此核心函數的參數。

參數:

deepbool，預設值為 True: 如果為 True，將返回此估計器和包含的子物件（為估計器）的參數。

返回值:

params字典: 參數名稱對應到其值的映射。

property hyperparameters#: 返回所有超參數規格的列表。

is_stationary()[原始碼]#: 返回核心函數是否為靜態。

property n_dims#: 返回核心函數非固定超參數的數量。

property requires_vector_input#: 返回核心函數是否在離散結構上定義。

set_params(**params)[原始碼]#

設定此核心函數的參數。

此方法適用於簡單的核心函數以及巢狀核心函數。後者的參數形式為 <component>__<parameter>，因此可以更新巢狀物件的每個元件。

返回值:

self

property theta#

返回（展平，對數轉換）非固定超參數。

請注意，theta 通常是核心函數超參數的對數轉換值，因為這種搜尋空間的表示形式更適合超參數搜尋，因為像長度尺度這樣的超參數自然存在於對數尺度上。

返回值:

theta形狀為 (n_dims,) 的 ndarray: 核心函數的非固定、對數轉換超參數