rbf_kernel#

sklearn.metrics.pairwise.rbf_kernel(X, Y=None, gamma=None)[Quelle]#

Berechne den RBF (Gaußschen) Kernel zwischen X und Y.

K(x, y) = exp(-gamma ||x-y||^2)

für jedes Paar von Zeilen x in X und y in Y.

Mehr lesen im Benutzerhandbuch.

Parameter:

X{array-like, sparse matrix} der Form (n_samples_X, n_features): Ein Merkmals-Array.
Y{array-like, sparse matrix} der Form (n_samples_Y, n_features), Standard=None: Ein optionales zweites Merkmals-Array. Wenn None, wird Y=X verwendet.
gammafloat, Standard=None: Wenn None, ist der Standardwert 1.0 / n_features.

Gibt zurück:

kernelndarray der Form (n_samples_X, n_samples_Y): Der RBF-Kernel.

Beispiele

>>> from sklearn.metrics.pairwise import rbf_kernel
>>> X = [[0, 0, 0], [1, 1, 1]]
>>> Y = [[1, 0, 0], [1, 1, 0]]
>>> rbf_kernel(X, Y)
array([[0.71, 0.51],
       [0.51, 0.71]])

Galeriebeispiele#

Entscheidungsgrenze semi-überwachter Klassifikatoren vs. SVM auf dem Iris-Datensatz

rbf_kernel#

Galeriebeispiele#

Diese Seite