成對核函數#

class sklearn.gaussian_process.kernels.PairwiseKernel(gamma=1.0, gamma_bounds=(1e-05, 100000.0), metric='linear', pairwise_kernels_kwargs=None)[原始碼]#

sklearn.metrics.pairwise 中核函數的包裝器。

sklearn.metrics.pairwise 中核函數功能的薄包裝器。

注意：eval_gradient 的評估不是解析的，而是數值的，並且所有: 核函數僅支援同向距離。參數 gamma 被認為是超參數，可以最佳化。其他核函數參數在初始化時直接設定，並保持固定。

在 0.18 版本中新增。

參數:

gammafloat，預設值=1.0: 由度量指定的成對核函數的參數 gamma。它應該是正數。
gamma_bounds一對浮點數 >= 0 或「fixed」，預設值=(1e-5, 1e5): 「gamma」的下限和上限。如果設定為「fixed」，則在超參數調整期間無法變更「gamma」。
metric{“linear”, “additive_chi2”, “chi2”, “poly”, “polynomial”, “rbf”, “laplacian”, “sigmoid”, “cosine”} 或可呼叫函數，預設值=”linear”: 計算特徵陣列中實例之間核函數時使用的度量。如果度量是字串，則它必須是 pairwise.PAIRWISE_KERNEL_FUNCTIONS 中的度量之一。如果度量是「precomputed」，則假設 X 是核函數矩陣。或者，如果度量是可呼叫函數，則會對每對實例（行）呼叫它，並記錄結果值。可呼叫函數應將來自 X 的兩個陣列作為輸入，並傳回一個表示它們之間距離的值。
pairwise_kernels_kwargsdict，預設值為 None: 此字典中的所有條目（如果有的話）會作為關鍵字參數傳遞給成對核函數。

範例

>>> from sklearn.datasets import load_iris
>>> from sklearn.gaussian_process import GaussianProcessClassifier
>>> from sklearn.gaussian_process.kernels import PairwiseKernel
>>> X, y = load_iris(return_X_y=True)
>>> kernel = PairwiseKernel(metric='rbf')
>>> gpc = GaussianProcessClassifier(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpc.score(X, y)
0.9733...
>>> gpc.predict_proba(X[:2,:])
array([[0.8880..., 0.05663..., 0.05532...],
       [0.8676..., 0.07073..., 0.06165...]])

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

返回核函數 k(X, Y) 以及（可選的）其梯度。

參數:

X形狀為 (n_samples_X, n_features) 的 ndarray: 返回的核函數 k(X, Y) 的左側參數
Y形狀為 (n_samples_Y, n_features) 的 ndarray，預設值為 None: 返回的核函數 k(X, Y) 的右側參數。如果為 None，則會改為計算 k(X, X)。
eval_gradientbool，預設值為 False: 決定是否計算相對於核函數超參數對數的梯度。僅在 Y 為 None 時支援。

回傳值:

K形狀為 (n_samples_X, n_samples_Y) 的 ndarray: 核函數 k(X, Y)
K_gradient形狀為 (n_samples_X, n_samples_X, n_dims) 的 ndarray，可選: 核函數 k(X, X) 相對於核函數超參數對數的梯度。僅當 eval_gradient 為 True 時返回。

property bounds#

返回 theta 的對數轉換邊界。

回傳值:

bounds形狀為 (n_dims, 2) 的 ndarray: 核函數超參數 theta 的對數轉換邊界

clone_with_theta(theta)[原始碼]#

返回一個具有給定超參數 theta 的自身副本。

參數:

theta形狀為 (n_dims,) 的 ndarray: 超參數

diag(X)[原始碼]#

返回核函數 k(X, X) 的對角線。

此方法的结果與 np.diag(self(X)) 相同；但是，由於僅評估對角線，因此可以更有效地評估。

參數:

X形狀為 (n_samples_X, n_features) 的 ndarray: 返回的核函數 k(X, Y) 的左側參數

回傳值:

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

get_params(deep=True)[原始碼]#

取得此核函數的參數。

參數:

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

回傳值:

paramsdict: 參數名稱對應其值的字典。

property hyperparameters#: 返回所有超參數規格的清單。

is_stationary()[原始碼]#: 返回核函數是否為靜態的。

property n_dims#: 返回核函數的非固定超參數數量。

property requires_vector_input#: 返回核函數是否定義在固定長度的特徵向量或通用物件上。為了回溯相容性，預設值為 True。

set_params(**params)[原始碼]#

設定此核函數的參數。

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

回傳值:

自身

property theta#

返回（展平的，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存在於對數尺度上。

回傳值:

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