超参数#

class sklearn.gaussian_process.kernels.Hyperparameter(name, value_type, bounds, n_elements=1, fixed=None)[source]#

以命名元组形式指定的核函数超参数。

0.18版本新增。

属性：
namestr

超参数的名称。注意，使用名为“x”的超参数的核必须具有属性self.x和self.x_bounds

value_typestr

超参数的类型。目前，只支持“数值型”超参数。

bounds一对浮点数 >= 0 或 “fixed”

参数的下界和上界。如果 n_elements>1，则可以分别提供一对包含 n_elements 个元素的一维数组。如果将字符串“fixed”作为 bounds 传递，则超参数的值将无法更改。

n_elementsint，默认为 1

超参数值的元素个数。默认为 1，对应于标量超参数。n_elements > 1 对应于向量值超参数，例如各向异性长度尺度。

fixedbool，默认为 None

此超参数的值是否固定，即在超参数调整过程中是否无法更改。如果传递 None，则根据给定的 bounds 推断“fixed”。

示例

>>> from sklearn.gaussian_process.kernels import ConstantKernel
>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import Hyperparameter
>>> X, y = make_friedman2(n_samples=50, noise=0, random_state=0)
>>> kernel = ConstantKernel(constant_value=1.0,
...    constant_value_bounds=(0.0, 10.0))

我们可以访问每个超参数

>>> for hyperparameter in kernel.hyperparameters:
...    print(hyperparameter)
Hyperparameter(name='constant_value', value_type='numeric',
bounds=array([[ 0., 10.]]), n_elements=1, fixed=False)

>>> params = kernel.get_params()
>>> for key in sorted(params): print(f"{key} : {params[key]}")
constant_value : 1.0
constant_value_bounds : (0.0, 10.0)
bounds#

字段编号 2 的别名

count(value, /)#

返回 value 的出现次数。

fixed#

字段编号 4 的别名

index(value, start=0, stop=sys.maxsize, /)#

返回 value 的第一个索引。

如果 value 不存在，则引发 ValueError。

n_elements#

字段编号 3 的别名

name#

字段编号 0 的别名

value_type#

字段编号 1 的别名