点积#

class sklearn.gaussian_process.kernels.DotProduct(sigma_0=1.0, sigma_0_bounds=(1e-05, 100000.0))[source]#

点积核。

点积核是非平稳的，可以从线性回归中得到，方法是将\(N(0, 1)\)先验置于\(x_d (d = 1, . . . , D)\)的系数上，并将\(N(0, \sigma_0^2)\)先验置于偏差上。点积核对原点坐标的旋转不变，但对平移不不变。它由参数 sigma_0 \(\sigma\) 参数化，该参数控制核的非均匀性。对于\(\sigma_0^2 =0\)，该核称为齐次线性核，否则为非齐次。该核由下式给出：

\[k(x_i, x_j) = \sigma_0 ^ 2 + x_i \cdot x_j\]

点积核通常与幂运算结合使用。

参见 [1]，第 4 章，第 4.2 节，了解有关点积核的更多详细信息。

在 用户指南 中了解更多信息。

在 0.18 版本中添加。

参数：
sigma_0浮点数 >= 0，默认值=1.0

控制核函数不均匀性的参数。如果 sigma_0=0，则核函数是均匀的。

sigma_0_bounds一对浮点数 >= 0 或 “fixed”，默认值=(1e-5, 1e5)

‘sigma_0’ 的下界和上界。如果设置为 “fixed”，则在超参数调整期间无法更改 ‘sigma_0’。

参考文献

示例

>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import DotProduct, WhiteKernel
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = DotProduct() + WhiteKernel()
>>> gpr = GaussianProcessRegressor(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.3680...
>>> gpr.predict(X[:2,:], return_std=True)
(array([653.0..., 592.1...]), array([316.6..., 316.6...]))
__call__(X, Y=None, eval_gradient=False)[source]#

返回核函数 k(X, Y) 及其梯度（可选）。

参数：
X形状为 (n_samples_X, n_features) 的ndarray

返回的核函数 k(X, Y) 的左参数

Y形状为 (n_samples_Y, n_features) 的ndarray，默认值=None

返回的核函数 k(X, Y) 的右参数。如果为 None，则计算 k(X, X)。

eval_gradient布尔值，默认值=False

确定是否计算关于核超参数对数的梯度。仅当 Y 为 None 时才支持。

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) 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ndarray

核超参数 theta 的对数变换边界

clone_with_theta(theta)[source]#

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)[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，由于仅评估对角线，因此可以更有效地进行评估。

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]#

获取此核的参数。

参数：
deep布尔值，默认值=True

如果为 True，则将返回此估计量以及作为估计量的包含子对象的参数。

返回：
params字典

参数名称映射到它们的值。

property hyperparameters#

返回所有超参数规范的列表。

is_stationary()[source]#

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#

返回内核是在定长特征向量上定义还是在通用对象上定义。默认为 True 以保持向后兼容性。

set_params(**params)[source]#

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（展平的，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