Sum#

class sklearn.gaussian_process.kernels.Sum(k1, k2)[源代码]#

Sum 核函数接受两个核函数 \(k_1\) 和 \(k_2\)，并通过以下方式组合它们：

\[k_{sum}(X, Y) = k_1(X, Y) + k_2(X, Y)\]

请注意，__add__ 魔术方法被重写，因此 Sum(RBF(), RBF()) 等价于使用 + 运算符的 RBF() + RBF()。

欲了解更多信息，请参阅用户指南。

0.18 版本新增。

参数:

k1Kernel: 和核的第一个基本核函数
k2Kernel: 和核的第二个基本核函数

示例

>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import RBF, Sum, ConstantKernel
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = Sum(ConstantKernel(2), RBF())
>>> gpr = GaussianProcessRegressor(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
1.0
>>> kernel
1.41**2 + RBF(length_scale=1)

__call__(X, Y=None, eval_gradient=False)[源代码]#

返回核函数 k(X, Y)，并可选地返回其梯度。

参数:

X形如 (n_samples_X, n_features) 的类数组或对象列表: 返回的核函数 k(X, Y) 的左参数
Y形如 (n_samples_X, n_features) 的类数组或对象列表，默认值为 None: 返回的核函数 k(X, Y) 的右参数。如果为 None，则计算 k(X, X)。
eval_gradient布尔值，默认值为 False: 确定是否计算相对于核超参数对数的梯度。

返回:

K形如 (n_samples_X, n_samples_Y) 的 ndarray: 核函数 k(X, Y)
K_gradient形如 (n_samples_X, n_samples_X, n_dims) 的 ndarray，可选: 核函数 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形如 (n_dims, 2) 的 ndarray: 核超参数 theta 的对数变换边界

clone_with_theta(theta)[源代码]#

返回一个带有给定超参数 theta 的自身的克隆。

参数:

theta形如 (n_dims,) 的 ndarray: 超参数

diag(X)[源代码]#

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，由于只计算对角线，因此可以更高效地进行评估。

参数:

X形如 (n_samples_X, n_features) 的类数组或对象列表: 核函数的参数。

返回:

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

get_params(deep=True)[源代码]#

获取此核函数的参数。

参数:

deep布尔值，默认值为 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的映射。

property hyperparameters#: 返回所有超参数的列表。

is_stationary()[源代码]#: 返回核函数是否平稳。

property n_dims#: 返回核函数非固定超参数的数量。

property requires_vector_input#: 返回核函数是否平稳。

set_params(**params)[源代码]#

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

Sum#

本页