有理二次#

class sklearn.gaussian_process.kernels.RationalQuadratic(length_scale=1.0, alpha=1.0, length_scale_bounds=(1e-05, 100000.0), alpha_bounds=(1e-05, 100000.0))[source]#

有理二次核。

有理二次核可以看作是具有不同特征长度尺度的 RBF 核的尺度混合（无限和）。它由长度尺度参数 \(l>0\) 和尺度混合参数 \(\alpha>0\) 参数化。目前仅支持长度尺度 \(l\) 为标量的各向同性变体。该核由下式给出：

\[k(x_i, x_j) = \left( 1 + \frac{d(x_i, x_j)^2 }{ 2\alpha l^2}\right)^{-\alpha}\]

其中，\(\alpha\) 是尺度混合参数，\(l\) 是核的长度尺度，\(d(\cdot,\cdot)\) 是欧几里得距离。有关如何设置参数的建议，请参见例如 [1]。

在 用户指南 中了解更多信息。

在 0.18 版本中添加。

参数：
length_scalefloat > 0，默认值=1.0

核的长度尺度。

alphafloat > 0，默认值=1.0

尺度混合参数

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

‘length_scale’ 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 ‘length_scale’。

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

‘alpha’ 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 ‘alpha’。

参考文献

示例

>>> from sklearn.datasets import load_iris
>>> from sklearn.gaussian_process import GaussianProcessClassifier
>>> from sklearn.gaussian_process.kernels import RationalQuadratic
>>> X, y = load_iris(return_X_y=True)
>>> kernel = RationalQuadratic(length_scale=1.0, alpha=1.5)
>>> gpc = GaussianProcessClassifier(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpc.score(X, y)
0.9733...
>>> gpc.predict_proba(X[:2,:])
array([[0.8881..., 0.0566..., 0.05518...],
        [0.8678..., 0.0707... , 0.0614...]])
__call__(X, Y=None, eval_gradient=False)[source]#

返回核 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 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 k(X, Y) 的右参数。如果为 None，则计算 k(X, X)。

eval_gradientbool，默认值=False

确定是否计算关于核超参数对数的梯度。仅在 Y 为 None 时支持。

返回：
K形状为 (n_samples_X, n_samples_Y) 的 ndarray

核 k(X, Y)

K_gradient形状为 (n_samples_X, n_samples_X, n_dims) 的 ndarray

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：
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)[source]#

返回具有给定超参数 theta 的 self 的克隆。

参数：
theta形状为 (n_dims,) 的 ndarray

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；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_X, n_features) 的 ndarray

返回的核 k(X, Y) 的左参数

返回：
K_diag形状为 (n_samples_X,) 的 ndarray

核 k(X, X) 的对角线

get_params(deep=True)[source]#

获取此核的参数。

参数：
deepbool，默认值=True

如果为 True，则将返回此估计量和包含的作为估计量的子对象的参数。

返回：
paramsdict

参数名称与其值的映射。

property hyperparameters#

返回所有超参数规范的列表。

is_stationary()[source]#

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)[source]#

设置此核的参数。

此方法适用于简单核和嵌套核。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（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

核的非固定、对数变换超参数