DotProduct#

class sklearn.gaussian_process.kernels.DotProduct(sigma_0=1.0, sigma_0_bounds=(1e-05, 100000.0))[source]#

点积核。

点积核是非平稳的，可以通过将 \(N(0, 1)\) 先验置于 \(x_d (d = 1, . . . , D)\) 的系数上，并将 \(N(0, \sigma_0^2)\) 先验置于偏差上，从而从线性回归中获得。点积核对于坐标围绕原点的旋转是不变的，但对于平移则不是。它由一个参数 sigma_0 \(\sigma\) 参数化，该参数控制核的非均匀性。当 \(\sigma_0^2 =0\) 时，该核被称为齐次线性核，否则为非齐次核。该核由下式给出：

\[k(x_i, x_j) = \sigma_0 ^ 2 + x_i \cdot x_j\]

点积核通常与指数运算结合使用。

有关点积核的更多详细信息，请参见 [1] 第 4 章第 4.2 节。

在用户指南中阅读更多内容。

版本 0.18 新增。

参数:
sigma_0浮点数 >= 0，默认值=1.0

控制核非均匀性的参数。如果 sigma_0=0，则核是齐次的。

sigma_0_bounds浮点数对 >= 0 或 “fixed”，默认值=(1e-5, 1e5)

‘sigma_0’ 的下限和上限。如果设置为“fixed”，则在超参数调优期间不能更改 ‘sigma_0’。

参考文献

示例

>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import DotProduct, WhiteKernel
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = DotProduct() + WhiteKernel()
>>> gpr = GaussianProcessRegressor(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.3680
>>> gpr.predict(X[:2,:], return_std=True)
(array([653.0, 592.1]), array([316.6, 316.6]))
__call__(X, Y=None, eval_gradient=False)[source]#

返回核 k(X, Y) 及其可选的梯度。

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

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

eval_gradient布尔值，默认值=False

确定是否计算相对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 k(X, Y)

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

核 k(X, X) 相对于核超参数对数的梯度。仅当 eval_gradient 为 True 时返回。

property bounds#

返回 theta 的对数变换界限。

返回:
bounds形状为 (n_dims, 2) 的 ndarray

核的超参数 theta 的对数变换界限

clone_with_theta(theta)[source]#

返回一个具有给定超参数 theta 的 self 克隆。

参数:
theta形状为 (n_dims,) 的 ndarray

超参数

diag(X)[source]#

返回核 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，因此可以更高效地评估。

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

返回的核 k(X, Y) 的左参数。

返回:
K_diag形状为 (n_samples_X,) 的 ndarray

核 k(X, X) 的对角线。

get_params(deep=True)[source]#

获取此核的参数。

参数:
deep布尔值，默认值=True

如果为 True，将返回此估计器及其包含的子对象的参数（如果它们也是估计器）。

返回:
params字典

参数名称及其对应值。

property hyperparameters#

返回所有超参数规范的列表。

is_stationary()[source]#

返回核是否是平稳的。

property n_dims#

返回核的非固定超参数数量。

property requires_vector_input#

返回核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，默认为 True。

set_params(**params)[source]#

设置此核的参数。

此方法适用于简单核以及嵌套核。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（展平的、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，因为这种搜索空间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地存在于对数尺度上。

返回:
theta形状为 (n_dims,) 的 ndarray

核的非固定、对数变换超参数