pairwise_kernels#

sklearn.metrics.pairwise.pairwise_kernels(X, Y=None, metric='linear', *, filter_params=False, n_jobs=None, **kwds)[源码]#

计算数组 X 和可选数组 Y 之间的核。

此函数接受一个或两个特征数组或一个核矩阵，并返回一个核矩阵。

如果 X 是一个形状为 (n_samples_X, n_features) 的特征数组，并且
- Y 为 None 且 metric 不是 ‘precomputed’，则返回 X 自身之间的成对核。
- Y 是一个形状为 (n_samples_Y, n_features) 的特征数组，则返回 X 和 Y 之间的成对核。
如果 X 是一个形状为 (n_samples_X, n_samples_X) 的核矩阵，则 metric 应该为 ‘precomputed’。Y 将被忽略，X 将按原样返回。

此方法提供了一种安全的方式来将核矩阵作为输入，同时保留与许多其他接受向量数组的算法的兼容性。

度量的有效值包括：: ['additive_chi2', 'chi2', 'linear', 'poly', 'polynomial', 'rbf', 'laplacian', 'sigmoid', 'cosine']

在用户指南中阅读更多内容。

参数:

X{类数组, 稀疏矩阵} 形状为 (n_samples_X, n_samples_X) 或 (n_samples_X, n_features)

样本之间成对核的数组，或特征数组。如果 metric == “precomputed”，数组的形状应为 (n_samples_X, n_samples_X)；否则为 (n_samples_X, n_features)。

Y{array-like, sparse matrix} of shape (n_samples_Y, n_features), default=None

仅当 X 的形状为 (n_samples_X, n_features) 时，这是第二个特征数组。

metricstr 或可调用对象，默认值="linear"

在计算特征数组中实例之间核时使用的度量。如果 metric 是字符串，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，它将对每对实例（行）进行调用，并记录结果值。可调用对象应接受 X 中的两行作为输入，并返回相应的核值作为单个数字。这意味着 sklearn.metrics.pairwise 中的可调用对象不被允许，因为它们操作的是矩阵，而不是单个样本。请改用标识核的字符串。

filter_paramsbool，默认值=False

是否过滤无效参数。

n_jobsint, default=None

用于计算的作业数量。这通过将成对矩阵分解为 n_jobs 个均匀切片并使用多线程计算它们来实现。

None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有处理器。有关更多详细信息，请参阅词汇表。

**kwdsoptional keyword parameters

任何其他参数将直接传递给核函数。

返回:

K形状为 (n_samples_X, n_samples_X) 或 (n_samples_X, n_samples_Y) 的 ndarray: 一个核矩阵 K，使得 K_{i, j} 是给定矩阵 X 的第 i 个向量和第 j 个向量之间的核（如果 Y 为 None）。如果 Y 不为 None，则 K_{i, j} 是 X 的第 i 个数组和 Y 的第 j 个数组之间的核。

注意事项

如果 metric 是一个可调用对象，则对 X 和 Y 的维度没有限制。

示例

>>> from sklearn.metrics.pairwise import pairwise_kernels
>>> X = [[0, 0, 0], [1, 1, 1]]
>>> Y = [[1, 0, 0], [1, 1, 0]]
>>> pairwise_kernels(X, Y, metric='linear')
array([[0., 0.],
       [1., 2.]])

pairwise_kernels#

本页