乘积

class sklearn.gaussian_process.kernels.Product(k1, k2)

Product 核函数接受两个核函数 \(k_1\) 和 \(k_2\)，并通过以下方式组合它们：

\[k_{prod}(X, Y) = k_1(X, Y) * k_2(X, Y)\]

注意，__mul__ 魔术方法被重写，因此 Product(RBF(), RBF()) 等效于使用 * 运算符，例如 RBF() * RBF()。

更多信息请阅读 用户指南。

0.18 版本中新增。

参数：

k1核函数

乘积核的第一个基核。

k2核函数

乘积核的第二个基核。

示例

>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import (RBF, Product,
...            ConstantKernel)
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = Product(ConstantKernel(2), RBF())
>>> gpr = GaussianProcessRegressor(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
1.0
>>> kernel
1.41**2 * RBF(length_scale=1)

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

返回核函数 k(X, Y) 及其梯度（可选）。

参数：

Xarray-like of shape (n_samples_X, n_features) 或对象列表

返回的核函数 k(X, Y) 的左参数。

Yarray-like of shape (n_samples_Y, n_features) 或对象列表，默认为 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_gradientbool，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) 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。只有当 eval_gradient 为 True 时才返回。

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)

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：

Xarray-like of shape (n_samples_X, n_features) 或对象列表

核函数的参数。

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)

获取此核的参数。

参数：

deepbool，默认为 True

如果为 True，则将返回此估计器及其包含的子对象（也是估计器）的参数。

返回:

paramsdict

参数名称与其值的映射。

property hyperparameters

返回所有超参数的列表。

is_stationary()

返回该核是否平稳。

property n_dims

返回核的非固定超参数的数量。

property requires_vector_input

返回该核是否平稳。

set_params(**params)

设置此核的参数。

此方法适用于简单的核以及嵌套的核。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 通常是核超参数的对数变换值，因为这种搜索空间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

核的非固定、对数变换的超参数