ExpSineSquared#

class sklearn.gaussian_process.kernels.ExpSineSquared(length_scale=1.0, periodicity=1.0, length_scale_bounds=(1e-05, 100000.0), periodicity_bounds=(1e-05, 100000.0))[Quelle]#

Exp-Sine-Squared Kernel (auch bekannt als periodischer Kernel).

Der ExpSineSquared-Kernel ermöglicht die Modellierung von Funktionen, die sich exakt wiederholen. Er wird durch einen Längenskala-Parameter \(l>0\) und einen Periodizitäts-Parameter \(p>0\) parametrisiert. Derzeit wird nur die isotrope Variante unterstützt, bei der \(l\) eine Skalare ist. Der Kernel ist gegeben durch

\[k(x_i, x_j) = \text{exp}\left(- \frac{ 2\sin^2(\pi d(x_i, x_j)/p) }{ l^ 2} \right)\]

wobei \(l\) die Längenskala des Kernels, \(p\) die Periodizität des Kernels und \(d(\cdot,\cdot)\) der euklidische Abstand ist.

Lesen Sie mehr im Benutzerhandbuch.

Hinzugefügt in Version 0.18.

Parameter:
length_scalefloat > 0, Standardwert=1.0

Die Längenskala des Kernels.

periodicityfloat > 0, Standardwert=1.0

Die Periodizität des Kernels.

length_scale_boundsPaar von Floats >= 0 oder „fixed“, Standardwert=(1e-5, 1e5)

Die untere und obere Grenze für ‘length_scale’. Wenn auf „fixed“ gesetzt, kann ‘length_scale’ während des Hyperparameter-Tunings nicht geändert werden.

periodicity_boundsPaar von Floats >= 0 oder “fixed”, Standardwert=(1e-5, 1e5)

Die untere und obere Grenze für ‘periodicity’. Wenn auf “fixed” gesetzt, kann ‘periodicity’ während der Hyperparameter-Optimierung nicht geändert werden.

Beispiele

>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import ExpSineSquared
>>> X, y = make_friedman2(n_samples=50, noise=0, random_state=0)
>>> kernel = ExpSineSquared(length_scale=1, periodicity=1)
>>> gpr = GaussianProcessRegressor(kernel=kernel, alpha=5,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.0144
>>> gpr.predict(X[:2,:], return_std=True)
(array([425.6, 457.5]), array([0.3894, 0.3467]))
__call__(X, Y=None, eval_gradient=False)[Quelle]#

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

Parameter:
Xndarray mit Form (n_samples_X, n_features)

Linkes Argument des zurückgegebenen Kernels k(X, Y)

Yndarray mit Form (n_samples_Y, n_features), Standardwert=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. Nur unterstützt, wenn Y None ist.

Gibt zurück:
Kndarray mit Form (n_samples_X, n_samples_Y)

Kernel k(X, Y)

K_gradientndarray mit Form (n_samples_X, n_samples_X, n_dims), 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:
boundsndarray mit 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:
Xndarray mit Form (n_samples_X, n_features)

Linkes Argument des zurückgegebenen Kernels k(X, Y)

Gibt zurück:
K_diagndarray mit Form (n_samples_X,)

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 hyperparameter_length_scale#

Gibt die Längenskala zurück.

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 Vektoren mit fester Länge oder generischen Objekten definiert ist. Standardmäßig True aus Kompatibilitätsgründen.

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