ExpSineSquared#

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（又称周期核）。

指数正弦平方核允许对精确重复的函数进行建模。它由一个长度尺度参数\(l>0\)和一个周期性参数\(p>0\)参数化。目前仅支持\(l\)为标量的各向同性变体。该核的表达式为

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

其中\(l\)是核的长度尺度，\(p\)是核的周期性，\(d(\cdot,\cdot)\)是欧氏距离。

欲了解更多信息，请参阅用户指南。

0.18版本新增。

参数:
length_scale浮点数 > 0, 默认值=1.0

核的长度尺度。

periodicity浮点数 > 0, 默认值=1.0

核的周期性。

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

‘length_scale’的下限和上限。如果设置为“fixed”，则‘length_scale’在超参数调优期间无法更改。

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

‘periodicity’的下限和上限。如果设置为“fixed”，则‘periodicity’在超参数调优期间无法更改。

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k(X, Y)以及可选的其梯度。

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

返回核k(X, Y)的左侧参数

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

返回核k(X, Y)的右侧参数。如果为None，则评估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]#

返回一个带有给定超参数theta的自身克隆。

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，因此可以更高效地进行评估。

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

返回核k(X, Y)的左侧参数

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作为估计器的子对象的参数。

返回:
params字典

参数名称及其对应值。

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]#

返回核是否为平稳的。

property n_dims#

返回核的非固定超参数的数量。

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。为向后兼容性默认为True。

set_params(**params)[source]#

设置此核的参数。

该方法适用于简单核以及嵌套核。后者具有<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
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，因为这种搜索空间的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处于对数尺度上。

返回:
theta形状为 (n_dims,) 的ndarray

核的非固定、对数变换超参数