CompoundKernel#

class sklearn.gaussian_process.kernels.CompoundKernel(kernels)[Quelle]#

Kernel, der aus einer Menge anderer Kernel besteht.

Hinzugefügt in Version 0.18.

Parameter:

kernelsListe von Kernels: Die anderen Kernels

Beispiele

>>> from sklearn.gaussian_process.kernels import WhiteKernel
>>> from sklearn.gaussian_process.kernels import RBF
>>> from sklearn.gaussian_process.kernels import CompoundKernel
>>> kernel = CompoundKernel(
...     [WhiteKernel(noise_level=3.0), RBF(length_scale=2.0)])
>>> print(kernel.bounds)
[[-11.51292546  11.51292546]
 [-11.51292546  11.51292546]]
>>> print(kernel.n_dims)
2
>>> print(kernel.theta)
[1.09861229 0.69314718]

__call__(X, Y=None, eval_gradient=False)[Quelle]#

Gibt den Kernel k(X, Y) und optional seinen Gradienten zurück.

Beachten Sie, dass dieser zusammengesetzte Kernel die Ergebnisse aller einfachen Kernel zurückgibt, die entlang einer zusätzlichen Achse gestapelt sind.

Parameter:

Xarray-ähnlich der Form (n_samples_X, n_features) oder Liste von Objekten, Standard=None: Linkes Argument des zurückgegebenen Kernels k(X, Y)
Yarray-ähnlich der Form (n_samples_X, n_features) oder Liste von Objekten, Standard=None: Rechtes Argument des zurückgegebenen Kernels k(X, Y). Wenn None, wird stattdessen k(X, X) ausgewertet.
eval_gradientbool, Standardwert=False: Bestimmt, ob der Gradient bezüglich des Logarithmus des Kernel-Hyperparameters berechnet wird.

Gibt zurück:

Kndarray der Form (n_samples_X, n_samples_Y, n_kernels): Kernel k(X, Y)
K_gradientndarray der Form (n_samples_X, n_samples_X, n_dims, n_kernels), optional: Der Gradient des Kernels k(X, X) bezüglich des Logarithmus des Hyperparameters des Kernels. Nur zurückgegeben, wenn eval_gradient True ist.

property bounds#

Gibt die log-transformierten Grenzen für theta zurück.

Gibt zurück:

boundsArray der Form (n_dims, 2): Die log-transformierten Grenzen für die Hyperparameter theta des Kernels

clone_with_theta(theta)[Quelle]#

Gibt eine Kopie von self mit den angegebenen Hyperparametern theta zurück.

Parameter:

thetandarray mit Form (n_dims,): Die Hyperparameter

diag(X)[Quelle]#

Gibt die Diagonale des Kernels k(X, X) zurück.

Das Ergebnis dieser Methode ist identisch mit np.diag(self(X)); sie kann jedoch effizienter ausgewertet werden, da nur die Diagonale ausgewertet wird.

Parameter:

Xarray-ähnlich der Form (n_samples_X, n_features) oder Liste von Objekten: Argument für den Kernel.

Gibt zurück:

K_diagndarray der Form (n_samples_X, n_kernels): Diagonale des Kerns k(X, X)

get_params(deep=True)[Quelle]#

Parameter dieses Kernels abrufen.

Parameter:

deepbool, default=True: Wenn True, werden die Parameter für diesen Schätzer und die enthaltenen Unterobjekte, die Schätzer sind, zurückgegeben.

Gibt zurück:

paramsdict: Parameternamen, zugeordnet ihren Werten.

property hyperparameters#: Gibt eine Liste aller Spezifikationen von Hyperparametern zurück.

is_stationary()[Quelle]#: Gibt zurück, ob der Kernel stationär ist.

property n_dims#: Gibt die Anzahl der nicht-festen Hyperparameter des Kernels zurück.

property requires_vector_input#: Gibt zurück, ob der Kernel auf diskreten Strukturen definiert ist.

set_params(**params)[Quelle]#

Parameter dieses Kernels setzen.

Die Methode funktioniert sowohl bei einfachen Kernels als auch bei verschachtelten Kernels. Letztere haben Parameter der Form <component>__<parameter>, sodass es möglich ist, jede Komponente eines verschachtelten Objekts zu aktualisieren.

Gibt zurück:

self

property theta#

Gibt die (abgeflachten, log-transformierten) nicht-festen Hyperparameter zurück.

Beachten Sie, dass theta typischerweise die log-transformierten Werte der Hyperparameter des Kernels sind, da diese Darstellung des Suchraums besser für die Hyperparameter-Suche geeignet ist, da Hyperparameter wie Längen-Skalen natürlich auf einer logarithmischen Skala liegen.

Gibt zurück:

thetandarray mit Form (n_dims,): Die nicht-festen, log-transformierten Hyperparameter des Kernels

CompoundKernel#

Diese Seite