核

class sklearn.gaussian_process.kernels.Kernel

所有核的基类。

版本0.18中添加。

示例

>>> from sklearn.gaussian_process.kernels import Kernel, RBF
>>> import numpy as np
>>> class CustomKernel(Kernel):
...     def __init__(self, length_scale=1.0):
...         self.length_scale = length_scale
...     def __call__(self, X, Y=None):
...         if Y is None:
...             Y = X
...         return np.inner(X, X if Y is None else Y) ** 2
...     def diag(self, X):
...         return np.ones(X.shape[0])
...     def is_stationary(self):
...         return True
>>> kernel = CustomKernel(length_scale=2.0)
>>> X = np.array([[1, 2], [3, 4]])
>>> print(kernel(X))
[[ 25 121]
 [121 625]]

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

评估核。

property bounds

返回theta的对数变换边界。

返回:

bounds形状为(n_dims, 2)的ndarray

核的超参数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

抽象 diag(X)

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，它可以更有效地计算，因为只计算对角线。

参数:

X形状为 (n_samples,) 的类数组

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)

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

参数名称与其值的映射。

属性 hyperparameters

返回所有超参数规范的列表。

抽象 is_stationary()

返回内核是否平稳。

属性 n_dims

返回内核的非固定超参数的数量。

属性 requires_vector_input

返回内核是定义在固定长度特征向量上还是通用对象上。为向后兼容性，默认为 True。

set_params(**params)

设置此内核的参数。

此方法适用于简单的内核以及嵌套内核。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:

自身

属性 theta

返回（扁平化，对数转换）的非固定超参数。

请注意，theta 通常是内核超参数的对数转换值，因为搜索空间的这种表示形式更适合超参数搜索，因为像长度尺度这样的超参数自然地存在于对数尺度上。

返回:

theta形状为 (n_dims,) 的ndarray

内核的非固定，对数转换的超参数

图库示例

离散数据结构上的高斯过程

离散数据结构上的高斯过程