sklearn.gaussian_process.WhiteKernel?
class sklearn.gaussian_process.kernels.WhiteKernel(noise_level=1.0, noise_level_bounds=(1e-05, 100000.0))
白內核。
這個內核的主要用例是作為和內核的一部分,它將信號的噪聲解釋為獨立的、相同的正態分布。參數噪聲電平等于該噪聲的方差。
在用戶指南中閱讀更多內容。
新版本 0.18 。
參數 | 說明 |
---|---|
noise_level | float, default=1.0 噪聲電平(方差)的參數控制 |
noise_level_bounds | pair of floats >= 0 or “fixed”, default=(1e-5, 1e5) 噪聲級的下界和上界。如果設置為“固定”,則在超參數調優過程中無法更改“噪音級別”。 |
屬性 | 說明 |
---|---|
bounds | 返回的對數變換界限。 |
hyperparameter_noise_level | |
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 | 返回內核是在固定長度的特征向量上定義的還是在通用對象上定義的。 |
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 DotProduct, WhiteKernel
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = DotProduct() + WhiteKernel(noise_level=0.5)
>>> gpr = GaussianProcessRegressor(kernel=kernel,
... random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.3680...
>>> gpr.predict(X[:2,:], return_std=True)
(array([653.0..., 592.1... ]), array([316.6..., 316.6...]))
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, noise_level=1.0, noise_level_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。
參數 | 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。
該方法適用于簡單估計量和嵌套對象。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 |