PairwiseKernel#

class sklearn.gaussian_process.kernels.PairwiseKernel(gamma=1.0, gamma_bounds=(1e-05, 100000.0), metric='linear', pairwise_kernels_kwargs=None)[source]#

sklearn.metrics.pairwise 中核的包装器。

A thin wrapper around the functionality of the kernels in sklearn.metrics.pairwise.

Note: Evaluation of eval_gradient is not analytic but numeric and all: kernels support only isotropic distances. The parameter gamma is considered to be a hyperparameter and may be optimized. The other kernel parameters are set directly at initialization and are kept fixed.

版本 0.18 新增。

参数:

gammafloat, default=1.0: Parameter gamma of the pairwise kernel specified by metric. It should be positive.
gamma_boundspair of floats >= 0 or “fixed”, default=(1e-5, 1e5): The lower and upper bound on ‘gamma’. If set to “fixed”, ‘gamma’ cannot be changed during hyperparameter tuning.
metric{“linear”, “additive_chi2”, “chi2”, “poly”, “polynomial”, “rbf”, “laplacian”, “sigmoid”, “cosine”} or callable, default=”linear”: The metric to use when calculating kernel between instances in a feature array. If metric is a string, it must be one of the metrics in pairwise.PAIRWISE_KERNEL_FUNCTIONS. If metric is “precomputed”, X is assumed to be a kernel matrix. Alternatively, if metric is a callable function, it is called on each pair of instances (rows) and the resulting value recorded. The callable should take two arrays from X as input and return a value indicating the distance between them.
pairwise_kernels_kwargsdict, default=None: All entries of this dict (if any) are passed as keyword arguments to the pairwise kernel function.

示例

>>> from sklearn.datasets import load_iris
>>> from sklearn.gaussian_process import GaussianProcessClassifier
>>> from sklearn.gaussian_process.kernels import PairwiseKernel
>>> X, y = load_iris(return_X_y=True)
>>> kernel = PairwiseKernel(metric='rbf')
>>> gpc = GaussianProcessClassifier(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpc.score(X, y)
0.9733
>>> gpc.predict_proba(X[:2,:])
array([[0.8880, 0.05663, 0.05532],
       [0.8676, 0.07073, 0.06165]])

__call__(X, Y=None, eval_gradient=False)[source]#

返回核 k(X, Y) 及其可选的梯度。

参数:

Xndarray of shape (n_samples_X, n_features): 返回的核 k(X, Y) 的左参数
Yndarray of shape (n_samples_Y, n_features), default=None: 返回的核 k(X, Y) 的右参数。如果为 None，则改为计算 k(X, X)。
eval_gradientbool, default=False: 确定是否计算关于核超参数对数的梯度。仅当 Y 为 None 时支持。

返回:

Kndarray of shape (n_samples_X, n_samples_Y): 核 k(X, Y)
K_gradientndarray of shape (n_samples_X, n_samples_X, n_dims), optional: 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:

boundsndarray of shape (n_dims, 2): 核超参数 theta 的对数变换边界

clone_with_theta(theta)[source]#

返回 self 的克隆，具有给定的超参数 theta。

参数:

thetandarray of shape (n_dims,): 超参数

diag(X)[source]#

返回核 k(X, X) 的对角线。

此方法的结果与 np.diag(self(X)) 相同；然而，由于只评估对角线，它可以更有效地评估。

参数:

Xndarray of shape (n_samples_X, n_features): 返回的核 k(X, Y) 的左参数

返回:

K_diagndarray of shape (n_samples_X,): 核 k(X, X) 的对角线

get_params(deep=True)[source]#

获取此核的参数。

参数:

deepbool, default=True: 如果为 True，将返回此估计器以及包含的子对象（如果它们是估计器）的参数。

返回:

paramsdict: 参数名称映射到其值。

property hyperparameters#: 返回所有超参数规范的列表。

is_stationary()[source]#: 返回核是否平稳。

property n_dims#: 返回核的非固定超参数的数量。

property requires_vector_input#: 返回核是定义在固定长度特征向量上还是定义在一般对象上。为了向后兼容，默认为 True。

set_params(**params)[source]#

设置此核的参数。

此方法适用于简单核以及嵌套核。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 通常是核超参数的对数变换值，因为这种搜索空间的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存在于对数尺度上。

返回:

thetandarray of shape (n_dims,): 核的非固定、对数变换超参数

PairwiseKernel#

本页