超参数#

class sklearn.gaussian_process.kernels.Hyperparameter(name, value_type, bounds, n_elements=1, fixed=None)[source]#

核超参数的命名元组形式的规范。

0.18 版本新增。

属性:

namestr: 超参数的名称。请注意，使用名称为“x”的超参数的核必须具有属性 self.x 和 self.x_bounds
value_typestr: 超参数的类型。目前，仅支持“数值”超参数。
bounds一对浮点数 >= 0 或 “fixed”: 参数的下限和上限。如果 n_elements>1，也可以提供一对各自包含 n_elements 个元素的 1D 数组。如果将字符串“fixed”作为边界传入，则超参数的值无法更改。
n_elementsint，默认为 1: 超参数值的元素数量。默认为 1，对应于标量超参数。n_elements > 1 对应于向量值超参数，例如异向长度尺度。
fixedbool，默认为 None: 此超参数的值是否固定，即在超参数调优期间不能更改。如果传入 None，则“fixed”值将根据给定的边界推导。

示例

>>> from sklearn.gaussian_process.kernels import ConstantKernel
>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import Hyperparameter
>>> X, y = make_friedman2(n_samples=50, noise=0, random_state=0)
>>> kernel = ConstantKernel(constant_value=1.0,
...    constant_value_bounds=(0.0, 10.0))

我们可以访问每个超参数

>>> for hyperparameter in kernel.hyperparameters:
...    print(hyperparameter)
Hyperparameter(name='constant_value', value_type='numeric',
bounds=array([[ 0., 10.]]), n_elements=1, fixed=False)

>>> params = kernel.get_params()
>>> for key in sorted(params): print(f"{key} : {params[key]}")
constant_value : 1.0
constant_value_bounds : (0.0, 10.0)

bounds#: 字段编号 2 的别名

count(value, /)#: 返回值的出现次数。

fixed#: 字段编号 4 的别名

index(value, start=0, stop=sys.maxsize, /)#

返回值的第一个索引。

如果值不存在，则引发 ValueError。

n_elements#: 字段编号 3 的别名

name#: 字段编号 0 的别名

value_type#: 字段编号 1 的别名

图库示例#

离散数据结构上的高斯过程

超参数#

图库示例#

本页