复合核

class sklearn.gaussian_process.kernels.CompoundKernel(kernels)

由一组其他核组成的核。

0.18版本新增。

参数：

kernels核列表

其他核

示例

>>> from sklearn.gaussian_process.kernels import WhiteKernel
>>> from sklearn.gaussian_process.kernels import RBF
>>> from sklearn.gaussian_process.kernels import CompoundKernel
>>> kernel = CompoundKernel(
...     [WhiteKernel(noise_level=3.0), RBF(length_scale=2.0)])
>>> print(kernel.bounds)
[[-11.51292546  11.51292546]
 [-11.51292546  11.51292546]]
>>> print(kernel.n_dims)
2
>>> print(kernel.theta)
[1.09861229 0.69314718]

__call__(X, Y=None, eval_gradient=False)

返回核k(X, Y)及其梯度（可选）。

注意，此复合核返回沿附加轴堆叠的所有简单核的结果。

参数：

X形状为(n_samples_X, n_features)的类数组或对象列表，默认为None

返回的核k(X, Y)的左参数

Y形状为(n_samples_X, n_features)的类数组或对象列表，默认为None

返回的核k(X, Y)的右参数。如果为None，则计算k(X, X)。

eval_gradient布尔值，默认为False

确定是否计算关于核超参数对数的梯度。

返回：

K形状为(n_samples_X, n_samples_Y, n_kernels)的ndarray

核k(X, Y)

K_gradient形状为(n_samples_X, n_samples_X, n_dims, n_kernels)的ndarray，可选

核k(X, X)关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)的数组

核超参数theta的对数变换边界

clone_with_theta(theta)

返回具有给定超参数 theta 的自身的克隆。

参数：

theta形状为 (n_dims,) 的 ndarray

超参数

diag(X)

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，由于只计算对角线，因此可以更有效地计算。

参数：

X形状为 (n_samples_X, n_features) 的类数组或对象列表

内核的参数。

返回：

K_diag形状为 (n_samples_X, n_kernels) 的 ndarray

核 k(X, X) 的对角线

get_params(deep=True)

获取此内核的参数。

参数：

deep布尔值，默认为 True

如果为 True，则将返回此估计器和作为估计器的包含子对象的参数。

返回：

params字典

参数名称与其值的映射。

property hyperparameters

返回所有超参数规范的列表。

is_stationary()

返回内核是否平稳。

property n_dims

返回内核的非固定超参数的数量。

property requires_vector_input

返回内核是否在离散结构上定义。

set_params(**params)

设置此内核的参数。

此方法适用于简单内核以及嵌套内核。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（扁平化、对数变换）的非固定超参数。

请注意，theta 通常是内核超参数的对数变换值，因为搜索空间的这种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存在于对数尺度上。

返回：

theta形状为 (n_dims,) 的 ndarray

内核的非固定、对数变换超参数