Hyperparameter#

class sklearn.gaussian_process.kernels.Hyperparameter(name, value_type, bounds, n_elements=1, fixed=None)[source]#

以具名的tuple形式呈現的 Kernel 超參數規範。

版本 0.18 新增。

屬性：
namestr

超參數的名稱。請注意，使用名稱為 “x” 的超參數的 kernel 必須具有屬性 self.x 和 self.x_bounds

value_typestr

超參數的類型。目前僅支援 “numeric” 數值型超參數。

bounds一對浮點數 >= 0 或 “fixed”

參數的下限和上限。如果 n_elements>1，則可以選擇給定一對每個都具有 n_elements 的 1 維陣列。如果將字串 “fixed” 作為邊界傳遞，則超參數的值無法更改。

n_elementsint，預設值=1

超參數值的元素數量。預設值為 1，對應於純量超參數。n_elements > 1 對應於向量值的超參數，例如，非等向長度尺度。

fixedbool，預設值=None

此超參數的值是否固定，即在超參數調整期間無法更改。如果傳遞 None，則根據給定的邊界推導 “fixed” 值。

範例

>>> from sklearn.gaussian_process.kernels import ConstantKernel
>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import Hyperparameter
>>> X, y = make_friedman2(n_samples=50, noise=0, random_state=0)
>>> kernel = ConstantKernel(constant_value=1.0,
...    constant_value_bounds=(0.0, 10.0))

我們可以存取每個超參數

>>> for hyperparameter in kernel.hyperparameters:
...    print(hyperparameter)
Hyperparameter(name='constant_value', value_type='numeric',
bounds=array([[ 0., 10.]]), n_elements=1, fixed=False)

>>> params = kernel.get_params()
>>> for key in sorted(params): print(f"{key} : {params[key]}")
constant_value : 1.0
constant_value_bounds : (0.0, 10.0)
bounds#

欄位編號 2 的別名

count(value, /)#

傳回 value 出現的次數。

fixed#

欄位編號 4 的別名

index(value, start=0, stop=sys.maxsize, /)#

傳回 value 的第一個索引。

如果 value 不存在，則引發 ValueError。

n_elements#

欄位編號 3 的別名

name#

欄位編號 0 的別名

value_type#

欄位編號 1 的別名