ConstantKernel#

класс sklearn.gaussian_process.kernels.ConstantKernel(constant_value=1.0, constant_value_bounds=(1e-05, 100000.0))[источник]#

Постоянное ядро.

Может использоваться как часть произведения ядер, где он масштабирует величину другого фактора (ядра), или как часть суммы ядер, где он изменяет среднее гауссовского процесса.

\[k(x_1, x_2) = constant\_value \;\forall\; x_1, x_2\]

Добавление постоянного ядра эквивалентно добавлению константы:

kernel = RBF() + ConstantKernel(constant_value=2)

то же самое, что:

kernel = RBF() + 2

Подробнее в Руководство пользователя.

Добавлено в версии 0.18.

Параметры:
constant_valuefloat, по умолчанию=1.0

Постоянное значение, определяющее ковариацию: k(x_1, x_2) = constant_value

constant_value_boundsпара чисел с плавающей запятой >= 0 или "fixed", по умолчанию=(1e-5, 1e5)

Нижняя и верхняя границы constant_value. Если установлено в "fixed", constant_value не может быть изменён во время настройки гиперпараметров.

Примеры

>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import RBF, ConstantKernel
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = RBF() + ConstantKernel(constant_value=2)
>>> gpr = GaussianProcessRegressor(kernel=kernel, alpha=5,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.3696
>>> gpr.predict(X[:1,:], return_std=True)
(array([606.1]), array([0.248]))
__call__(X, Y=None, eval_gradient=False)[источник]#

Возвращает ядро k(X, Y) и, опционально, его градиент.

Параметры:
Xarray-like формы (n_samples_X, n_features) или list of object

Левый аргумент возвращаемого ядра k(X, Y)

Yarray-like формы (n_samples_X, n_features) или list of object, default=None

Правый аргумент возвращаемого ядра k(X, Y). Если None, вместо этого оценивается k(X, X).

eval_gradientbool, по умолчанию=False

Определяет, вычисляется ли градиент относительно логарифма гиперпараметра ядра. Поддерживается только когда Y равен None.

Возвращает:
Kndarray формы (n_samples_X, n_samples_Y)

Страница бенчмарков

K_gradientndarray формы (n_samples_X, n_samples_X, n_dims), опционально

Градиент ядра k(X, X) по логарифму гиперпараметра ядра. Возвращается только когда eval_gradient равен True.

свойство границы#

Возвращает логарифмически преобразованные границы для theta.

Возвращает:
границыndarray формы (n_dims, 2)

Логарифмически преобразованные границы гиперпараметров theta ядра

clone_with_theta(theta)[источник]#

Возвращает клон self с заданными гиперпараметрами theta.

Параметры:
thetandarray формы (n_dims,)

Гиперпараметры

диаг(X)[источник]#

Возвращает диагональ ядра k(X, X).

Результат этого метода идентичен np.diag(self(X)); однако он может быть вычислен более эффективно, так как вычисляется только диагональ.

Параметры:
Xarray-like формы (n_samples_X, n_features) или list of object

Аргумент ядра.

Возвращает:
K_diagndarray формы (n_samples_X,)

Диагональ ядра k(X, X)

get_params(глубокий=True)[источник]#

Получить параметры этого ядра.

Параметры:
глубокийbool, по умолчанию=True

Если True, вернет параметры для этого оценщика и вложенных подобъектов, которые являются оценщиками.

Возвращает:
paramsdict

Имена параметров, сопоставленные с их значениями.

свойство гиперпараметры#

Возвращает список всех спецификаций гиперпараметров.

is_stationary()[источник]#

Возвращает, является ли ядро стационарным.

свойство n_dims#

Возвращает количество нефиксированных гиперпараметров ядра.

свойство requires_vector_input#

Работает ли ядро только с векторами признаков фиксированной длины.

set_params(**params)[источник]#

Установите параметры этого ядра.

Метод работает как на простых ядрах, так и на вложенных ядрах. Последние имеют параметры вида __ чтобы можно было обновить каждый компонент вложенного объекта.

Возвращает:
self
свойство theta#

Возвращает (сглаженные, логарифмически преобразованные) нефиксированные гиперпараметры.

Обратите внимание, что theta обычно являются логарифмически преобразованными значениями гиперпараметров ядра, так как это представление пространства поиска более подходит для поиска гиперпараметров, поскольку гиперпараметры, такие как масштабы длины, естественно существуют в логарифмическом масштабе.

Возвращает:
thetandarray формы (n_dims,)

Нефиксированные, логарифмически преобразованные гиперпараметры ядра