Kernel#

class sklearn.gaussian_process.kernels.Kernel[來源]#

所有核函數的基底類別。

在版本 0.18 中加入。

範例

>>> from sklearn.gaussian_process.kernels import Kernel, RBF
>>> import numpy as np
>>> class CustomKernel(Kernel):
...     def __init__(self, length_scale=1.0):
...         self.length_scale = length_scale
...     def __call__(self, X, Y=None):
...         if Y is None:
...             Y = X
...         return np.inner(X, X if Y is None else Y) ** 2
...     def diag(self, X):
...         return np.ones(X.shape[0])
...     def is_stationary(self):
...         return True
>>> kernel = CustomKernel(length_scale=2.0)
>>> X = np.array([[1, 2], [3, 4]])
>>> print(kernel(X))
[[ 25 121]
 [121 625]]
abstract __call__(X, Y=None, eval_gradient=False)[來源]#

評估核函數。

property bounds#

傳回 theta 的對數轉換邊界。

傳回值:
bounds形狀為 (n_dims, 2) 的 ndarray

核函數的超參數 theta 的對數轉換邊界

clone_with_theta(theta)[來源]#

傳回自身的一個複本，並帶有給定的超參數 theta。

參數:
theta形狀為 (n_dims,) 的 ndarray

超參數

abstract diag(X)[來源]#

傳回核函數 k(X, X) 的對角線。

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

參數:
X形狀為 (n_samples,) 的類陣列

傳回的核函數 k(X, Y) 的左側引數

傳回值:
K_diag形狀為 (n_samples_X,) 的 ndarray

核函數 k(X, X) 的對角線

get_params(deep=True)[來源]#

取得此核函數的參數。

參數:
deep布林值，預設值為 True

如果為 True，將傳回此估算器和包含的子物件（即估算器）的參數。

傳回值:
params字典

參數名稱對應到其值。

property hyperparameters#

傳回所有超參數規格的清單。

abstract is_stationary()[來源]#

傳回核函數是否為靜態。

property n_dims#

傳回核函數的非固定超參數數量。

property requires_vector_input#

傳回核函數是在固定長度特徵向量還是泛型物件上定義。為了向後相容，預設值為 True。

set_params(**params)[來源]#

設定此核函數的參數。

此方法適用於簡單核函數以及巢狀核函數。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。

傳回值:
self
property theta#

傳回（扁平化、對數轉換的）非固定超參數。

請注意，theta 通常是核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，因為長度尺度等超參數自然地存在於對數尺度上。

傳回值:
theta形狀為 (n_dims,) 的 ndarray

核函數的非固定、對數轉換超參數