指数正弦平方#

class sklearn.gaussian_process.kernels.ExpSineSquared(length_scale=1.0, periodicity=1.0, length_scale_bounds=(1e-05, 100000.0), periodicity_bounds=(1e-05, 100000.0))[source]#

指数正弦平方核（也称为周期核）。

指数正弦平方核允许对精确重复自身的函数进行建模。它由长度尺度参数\(l>0\)和周期性参数\(p>0\)参数化。目前仅支持\(l\)为标量的各向同性变体。核函数定义为：

\[k(x_i, x_j) = \text{exp}\left(- \frac{ 2\sin^2(\pi d(x_i, x_j)/p) }{ l^ 2} \right)\]

其中\(l\)是核的长度尺度，\(p\)是核的周期性，\(d(\cdot,\cdot)\)是欧几里得距离。

更多信息请阅读用户指南。

0.18版本新增。

参数：
length_scale浮点数 > 0，默认值=1.0

核函数的长度尺度。

periodicity浮点数 > 0，默认值=1.0

核函数的周期性。

length_scale_bounds一对浮点数 >= 0 或 “fixed”，默认值=(1e-5, 1e5)

‘length_scale’ 的下界和上界。如果设置为 “fixed”，则在超参数调整期间不能更改 ‘length_scale’。

periodicity_bounds一对浮点数 >= 0 或 “fixed”，默认值=(1e-5, 1e5)

‘periodicity’ 的下界和上界。如果设置为 “fixed”，则在超参数调整期间不能更改 ‘periodicity’。

示例

>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import ExpSineSquared
>>> X, y = make_friedman2(n_samples=50, noise=0, random_state=0)
>>> kernel = ExpSineSquared(length_scale=1, periodicity=1)
>>> gpr = GaussianProcessRegressor(kernel=kernel, alpha=5,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.0144...
>>> gpr.predict(X[:2,:], return_std=True)
(array([425.6..., 457.5...]), array([0.3894..., 0.3467...]))
__call__(X, Y=None, eval_gradient=False)[source]#

返回核函数 k(X, Y) 及其梯度（可选）。

参数：
X形状为 (n_samples_X, n_features) 的ndarray

返回的核函数 k(X, Y) 的左参数

Y形状为 (n_samples_Y, n_features) 的ndarray，默认值=None

返回的核函数 k(X, Y) 的右参数。如果为 None，则计算 k(X, X)。

eval_gradient布尔值，默认值=False

确定是否计算关于核超参数对数的梯度。仅当 Y 为 None 时支持。

返回：
K形状为 (n_samples_X, n_samples_Y) 的ndarray

核函数 k(X, Y)

K_gradient形状为 (n_samples_X, n_samples_X, n_dims) 的ndarray，可选

核函数 k(X, X) 关于核超参数对数的梯度。仅当 eval_gradient 为 True 时返回。

property bounds#

返回 theta 的对数变换边界。

返回：
bounds形状为 (n_dims, 2) 的ndarray

核超参数 theta 的对数变换边界

clone_with_theta(theta)[source]#

返回具有给定超参数 theta 的自身的克隆。

参数：
theta形状为 (n_dims,) 的ndarray

超参数

diag(X)[source]#

返回核函数 k(X, X) 的对角线。

此方法的结果与 np.diag(self(X)) 相同；但是，它可以更有效地计算，因为只计算对角线。

参数：
X形状为 (n_samples_X, n_features) 的ndarray

返回的核函数 k(X, Y) 的左参数

返回：
K_diag形状为 (n_samples_X,) 的ndarray

核函数 k(X, X) 的对角线

get_params(deep=True)[source]#

获取此核函数的参数。

参数：
deep布尔值，默认值=True

如果为 True，则将返回此估计器和包含的作为估计器的子对象的参数。

返回：
params字典

参数名称映射到它们的值。

property hyperparameter_length_scale#

返回长度尺度

property hyperparameters#

返回所有超参数规范的列表。

is_stationary()[source]#

返回此核函数是否平稳。

property n_dims#

返回核函数的非固定超参数的数量。

property requires_vector_input#

返回核函数是定义在固定长度特征向量上还是通用对象上。为向后兼容性，默认为 True。

set_params(**params)[source]#

设置此核函数的参数。

此方法适用于简单核函数以及嵌套核函数。后者具有 <component>__<parameter> 形式的参数，因此可以更新嵌套对象的每个组件。

返回：
self
property theta#

返回（扁平化、对数变换的）非固定超参数。

请注意，theta 通常是核超参数的对数变换值，因为搜索空间的这种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：
theta形状为 (n_dims,) 的ndarray

核函数的非固定、对数变换的超参数