CompoundKernel

类 sklearn.gaussian_process.kernels.CompoundKernel(kernels)

由一组其他核函数组成的核函数。

0.18 版本新增。

参数:

kernels核函数列表

其他核函数

示例

>>> from sklearn.gaussian_process.kernels import WhiteKernel
>>> from sklearn.gaussian_process.kernels import RBF
>>> from sklearn.gaussian_process.kernels import CompoundKernel
>>> kernel = CompoundKernel(
...     [WhiteKernel(noise_level=3.0), RBF(length_scale=2.0)])
>>> print(kernel.bounds)
[[-11.51292546  11.51292546]
 [-11.51292546  11.51292546]]
>>> print(kernel.n_dims)
2
>>> print(kernel.theta)
[1.09861229 0.69314718]

__call__(X, Y=None, eval_gradient=False)

返回核函数 k(X, Y) 以及可选的其梯度。

请注意，此复合核函数返回所有简单核函数沿附加轴堆叠的结果。

参数:

X形状为 (n_samples_X, n_features) 的类数组或对象列表，默认为 None

返回的核函数 k(X, Y) 的左参数

Y形状为 (n_samples_X, n_features) 的类数组或对象列表，默认为 None

返回的核函数 k(X, Y) 的右参数。如果为 None，则改为评估 k(X, X)。

eval_gradient布尔值，默认为 False

确定是否计算核超参数对数值的梯度。

返回:

K形状为 (n_samples_X, n_samples_Y, n_kernels) 的 ndarray

核函数 k(X, Y)

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

核函数 k(X, X) 对核超参数对数值的梯度。仅当 eval_gradient 为 True 时返回。

属性 bounds

返回 theta 的对数变换边界。

返回:

bounds形状为 (n_dims, 2) 的数组

核函数超参数 theta 的对数变换边界

clone_with_theta(theta)

返回自身的一个克隆，具有给定超参数 theta。

参数:

theta形状为 (n_dims,) 的 ndarray

超参数

diag(X)

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，由于只评估对角线，因此可以更高效地进行评估。

参数:

X形状为 (n_samples_X, n_features) 的类数组或对象列表

核函数的参数。

返回:

K_diag形状为 (n_samples_X, n_kernels) 的 ndarray

核函数 k(X, X) 的对角线

get_params(deep=True)

获取此核函数的参数。

参数:

deep布尔值，默认为 True

如果为 True，则返回此估计器及其包含的作为估计器的子对象的参数。

返回:

params字典

参数名与其值的映射。

属性 hyperparameters

返回所有超参数规范的列表。

is_stationary()

返回核函数是否是平稳的。

属性 n_dims

返回核函数的非固定超参数的数量。

属性 requires_vector_input

返回核函数是否定义在离散结构上。

set_params(**params)

设置此核函数的参数。

此方法适用于简单核函数和嵌套核函数。嵌套核函数具有 <component>__<parameter> 形式的参数，以便可以更新嵌套对象的每个组件。

返回:

自身

属性 theta

返回（扁平化、对数变换后的）非固定超参数。

请注意，theta 通常是核函数超参数的对数变换值，因为这种搜索空间表示更适合超参数搜索，因为诸如长度尺度之类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、对数变换超参数