sklearn.gaussian_process.Exponentiation?

class sklearn.gaussian_process.kernels.Exponentiation(kernel, exponent)

[源碼]

取冪核接受一個基核和一個標量參數，并通過

請注意，剩余的__pow__魔法方法被覆蓋了，因此求冪Exponentiation(RBF(), 2)使用 ** operator with RBF() ** 2.

在用戶指南中閱讀更多內容。

新版本0.18。

參數	說明
kernel	Kernel 的基本內核
exponent	float 基核的指數

屬性	說明
`bounds`	返回的對數變換界限。
`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 (RationalQuadratic,
...            Exponentiation)
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = Exponentiation(RationalQuadratic(), exponent=2)
>>> gpr = GaussianProcessRegressor(kernel=kernel, alpha=5,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.419...
>>> gpr.predict(X[:1,:], return_std=True)
(array([635.5...]), array([0.559...]))

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, kernel, exponent)

[源碼]

初始化self. See 請參閱help(type(self))以獲得準確的說明。

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

[源碼]

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_Y, 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

[源碼]

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)

[源碼]

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)

[源碼]

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)

[源碼]

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

[源碼]

返回所有超參數的列表。

is_stationary(self)

[源碼]

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

返回內核是否定義在離散結構上。

set_params(self, **params)

[源碼]

設置這個內核的參數。

該方法適用于簡單估計量和嵌套對象(如pipline)。后者具有形式為<component>_<parameter>的參數，這樣就讓更新嵌套對象的每個組件成為了可能。

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