sklearn.gaussian_process.ConstantKernel?
class sklearn.gaussian_process.kernels.ConstantKernel(constant_value=1.0, constant_value_bounds=(1e-05, 100000.0))
恒定的內核。
可以作為乘積核的一部分用于縮放另一個因子(核)的大小，或者作為和核的一部分用于修改高斯過程的均值。
增加一個常數核等于增加一個常數:
kernel = RBF() + ConstantKernel(constant_value=2)
等于:
kernel = RBF() + 2
在用戶指南中閱讀更多內容。
新版本0.18。
| 參數 | 說明 |
|---|---|
| constant_value | float, default=1.0 定義協方差的常量:k(x_1, x_2) = constant value |
| constant_value_bounds | pair of floats >= 0 or “fixed”, default=(1e-5, 1e5) 常量值的下界和上界。如果將常量值設置為“fixed”，則在超參數調優期間無法更改常量值。 |
| 屬性 | 說明 |
|---|---|
bounds |
返回的對數變換界限。 |
hyperparameter_constant_value |
|
hyperparameters |
返回所有超參數規范的列表。 |
n_dims |
返回內核的非固定超參數的數量。 |
requires_vector_input |
返回內核是否定義在離散結構上。 |
theta |
返回(扁平的、對數轉換的)非固定超參數。 |
示例
>>> 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([0.24...]))
方法
| 方法 | 說明 |
|---|---|
__call__(self, X[, Y, eval_gradient]) |
返回核函數k(X, Y)和它的梯度 |
clone_with_theta(self, theta) |
返回帶有給定超參數theta的self的克隆。 |
diag(self, X) |
返回核函數k(X, X)的對角線。 |
get_params(self[, deep]) |
獲取這個內核的參數。 |
is_stationary(self) |
返回內核是否靜止。 |
set_params(self, **params) |
設置這個內核的參數。 |
__init__(self, constant_value=1.0, constant_value_bounds=(1e-05, 100000.0))
初始化self. 請參閱help(type(self))以獲得準確的說明 。
__call__(self, X, Y=None, eval_gradient=False)
返回核函數k(X, Y)和它的梯度。
| 參數 | 說明 |
|---|---|
| X | array-like of shape (n_samples_X, n_features) or list of object 返回核函數k(X, Y)的左參數 |
| Y | array-like of shape (n_samples_X, n_features) or list of object, default=None 返回的核函數k(X, Y)的正確參數。如果沒有，則計算k(X, X)。 |
| eval_gradient | bool, default=False 確定關于核超參數的梯度是否確定。只有當Y沒有的時候才被支持。 |
| 返回值 | 說明 |
|---|---|
| K | ndarray of shape (n_samples_X, n_samples_Y) 內核k (X, Y) |
| K_gradient | ndarray of shape (n_samples_X, n_samples_X, n_dims), optional 核函數k(X, X)關于核函數超參數的梯度。只有當eval_gradient為真時才返回。 |
property bounds
返回的對數變換界限。
| 返回值 | 說明 |
|---|---|
| bounds | ndarray of shape (n_dims, 2) 核函數超參數的對數變換界限 |
clone_with_theta(self, theta)
返回帶有給定超參數theta的self的克隆。
| 返回值 | 說明 |
|---|---|
| theta | ndarray of shape (n_dims,) 的hyperparameters |
diag(self, X)
返回核函數k(X, X)的對角線。
該方法的結果與np.diag(self(X))相同;但是，由于只計算對角，因此可以更有效地計算它。
| 參數 | 說明 |
|---|---|
| X | array-like of shape (n_samples_X, n_features) or list of object 參數指向內核。 |
| 返回值 | 說明 |
|---|---|
| K_diag | ndarray of shape (n_samples_X,) 核k(X, X)的對角線 |
get_params(self, deep=True)
獲取這個內核的參數。
| 參數 | 說明 |
|---|---|
| deep | bool, default=True 如果為真，將返回此估計器的參數以及包含的作為估計器的子對象。 |
| 返回值 | 說明 |
|---|---|
| params | dict 參數名稱映射到它們的值。 |
property hyperparameters
返回所有超參數規范的列表。
is_stationary(self)
返回內核是否靜止。
property n_dims
返回內核的非固定超參數的數量。
property requires_vector_input
核是否只對固定長度的特征向量有效。
set_params(self, **params)
設置這個內核的參數。
該方法適用于簡單內核和嵌套內核。后者具有形式為
| 返回值 | 說明 |
|---|---|
| self | - |
property theta
返回(扁平的、對數轉換的)非固定超參數。
注意，theta通常是內核超參數的對數變換值，因為這種搜索空間的表示更適合超參數搜索，因為像長度尺度這樣的超參數自然存在于對數尺度上。
| 返回值 | 說明 |
|---|---|
| theta | ndarray of shape (n_dims,) 核函數的非固定、對數變換超參數 |
