成对核#

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

sklearn.metrics.pairwise中核函数的包装器。

对sklearn.metrics.pairwise中核函数功能的简单包装。

注意：eval_gradient的评估不是解析的，而是数值的，并且: 所有核函数只支持各向同性距离。参数gamma被认为是一个超参数，可以被优化。其他核参数在初始化时直接设置，并保持不变。

版本0.18中添加。

参数：

gammafloat, default=1.0: 由metric指定的成对核的参数gamma。它应该为正数。
gamma_bounds一对浮点数>= 0 或 “fixed”, default=(1e-5, 1e5): ‘gamma’的下限和上限。如果设置为“fixed”，“gamma”在超参数调整期间不能更改。
metric{"linear", "additive_chi2", "chi2", "poly", "polynomial", "rbf", "laplacian", "sigmoid", "cosine"} 或可调用对象，默认为“linear”: 用于计算特征数组中实例之间核函数的度量标准。如果 metric 是字符串，则它必须是 pairwise.PAIRWISE_KERNEL_FUNCTIONS 中的度量之一。如果 metric 是“precomputed”，则假设 X 是一个核矩阵。或者，如果 metric 是一个可调用函数，则它会在每一对实例（行）上调用，并记录结果值。此可调用函数应将 X 中的两数组作为输入，并返回一个表示它们之间距离的值。
pairwise_kernels_kwargsdict, default=None: 此字典（如有）的所有条目都将作为关键字参数传递给成对核函数。

示例

>>> 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)[source]#

返回核函数 k(X, Y) 及其梯度（可选）。

参数：

Xndarray of shape (n_samples_X, n_features): 返回的核函数 k(X, Y) 的左参数
Yndarray of shape (n_samples_Y, n_features), default=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_gradientbool, default=False: 确定是否计算关于核超参数对数的梯度。仅当 Y 为 None 时才支持。

返回:

Kndarray of shape (n_samples_X, n_samples_Y): 核函数 k(X, Y)
K_gradientndarray of shape (n_samples_X, n_samples_X, n_dims), optional: 关于核超参数对数的核函数 k(X, X) 的梯度。仅当 eval_gradient 为 True 时返回。

property bounds#

返回 theta 的对数转换边界。

返回:

boundsndarray of shape (n_dims, 2): 核超参数 theta 的对数转换边界

clone_with_theta(theta)[source]#

返回具有给定超参数 theta 的自身的克隆。

参数：

thetandarray of shape (n_dims,): 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：

Xndarray of shape (n_samples_X, n_features): 返回的核函数 k(X, Y) 的左参数

返回:

K_diagndarray of shape (n_samples_X,): 核函数 k(X, X) 的对角线

get_params(deep=True)[source]#

获取此内核的参数。

参数：

deepbool, default=True: 如果为 True，则将返回此估计量和包含的作为估计量的子对象的参数。

返回:

paramsdict: 参数名称映射到它们的值。

property hyperparameters#: 返回所有超参数规范的列表。

is_stationary()[source]#: 返回内核是否平稳。

property n_dims#: 返回内核的非固定超参数的数量。

property requires_vector_input#: 返回内核是定义在固定长度特征向量上还是通用对象上。为了向后兼容性，默认为 True。

set_params(**params)[source]#

设置此内核的参数。

此方法适用于简单的内核以及嵌套内核。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，对数转换的）非固定超参数。

请注意，theta 通常是内核超参数的对数转换值，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:

thetandarray of shape (n_dims,): 内核的非固定、对数转换的超参数