PairwiseKernel#

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

scikit-learn.metrics.pairwise 中核函数的封装。

对 scikit-learn.metrics.pairwise 中核函数功能的轻量级封装。

注意：`eval_gradient` 的评估不是解析式的，而是数值的，并且所有: 核函数仅支持各向同性距离。参数 `gamma` 被视为超参数，可以进行优化。其他核函数参数在初始化时直接设置，并保持固定。

0.18 版新增。

参数:

gamma浮点型，默认值=1.0: 由 `metric` 指定的成对核函数的 `gamma` 参数。它应为正值。
gamma_bounds一对浮点数，>= 0 或 “fixed”，默认值=(1e-5, 1e5): `gamma` 的下限和上限。如果设置为“fixed”，`gamma` 在超参数调优期间不能更改。
metric{“linear”, “additive_chi2”, “chi2”, “poly”, “polynomial”, “rbf”, “laplacian”, “sigmoid”, “cosine”} 或可调用对象，默认值=”linear”: 在计算特征数组中实例之间的核函数时使用的度量。如果 `metric` 是字符串，则它必须是 `pairwise.PAIRWISE_KERNEL_FUNCTIONS` 中的一个度量。如果 `metric` 是“precomputed”，则假定 `X` 是一个核矩阵。或者，如果 `metric` 是一个可调用函数，它将作用于每一对实例（行），并记录结果值。该可调用函数应以 `X` 中的两个数组作为输入，并返回表示它们之间距离的值。
pairwise_kernels_kwargs字典，默认值=None: 此字典中的所有条目（如果有）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) 及其可选的梯度。

参数:

X形状为 (n_samples_X, n_features) 的 ndarray: 返回的核函数 k(X, Y) 的左侧参数
Y形状为 (n_samples_Y, n_features) 的 ndarray，默认值=None: 返回的核函数 k(X, Y) 的右侧参数。如果为 None，则改为评估 k(X, X)。
eval_gradient布尔型，默认值=False: 确定是否计算核超参数对数的梯度。仅在 `Y` 为 None 时支持。

返回:

K形状为 (n_samples_X, n_samples_Y) 的 ndarray: 核函数 k(X, Y)
K_gradient形状为 (n_samples_X, n_samples_X, n_dims) 的 ndarray，可选: 核函数 k(X, X) 对核函数超参数的对数的梯度。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: 核函数超参数 `theta` 的对数变换边界

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 ndarray: 返回的核函数 k(X, Y) 的左侧参数

返回:

K_diag形状为 (n_samples_X,) 的 ndarray: 核函数 k(X, X) 的对角线

get_params(deep=True)[source]#

获取此核函数的参数。

参数:

deep布尔型，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: 参数名称映射到其值。

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

is_stationary()[source]#: 返回核函数是否是平稳的。

property n_dims#: 返回核函数的非固定超参数的数量。

property requires_vector_input#: 返回核函数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，默认为 True。

set_params(**params)[source]#

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。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，因为像长度尺度这样的超参数自然地位于对数尺度上。

返回:

theta形状为 (n_dims,) 的 ndarray: 核函数的非固定、对数变换超参数

PairwiseKernel#

本页