Product#

класс sklearn.gaussian_process.kernels.Product(k1, k2)[источник]#

The Product ядро принимает два ядра \(k_1\) и \(k_2\) и объединяет их через

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

Обратите внимание, что __mul__ магический метод переопределён, поэтому Product(RBF(), RBF()) эквивалентно использованию оператора * с RBF() * RBF().

Подробнее в Руководство пользователя.

Добавлено в версии 0.18.

Параметры:

k1Ядро: Первое базовое ядро в произведении ядер
k2Ядро: Второе базовое ядро произведения ядер

Примеры

>>> 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)[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_Y, 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 по логарифму гиперпараметра ядра.

Возвращает:

Kndarray формы (n_samples_X, n_samples_Y): Страница бенчмарков
K_gradientndarray формы (n_samples_X, n_samples_X, n_dims), необязательный: Градиент ядра k(X, X) по логарифму гиперпараметра ядра. Возвращается только когда eval_gradient равно 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 гиперпараметров.

is_stationary()[источник]#: Возвращает, является ли ядро стационарным.

свойство n_dims#: Возвращает количество нефиксированных гиперпараметров ядра.

свойство requires_vector_input#: Возвращает, является ли ядро стационарным.

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

Product#

Эта страница