DotProduct#

class sklearn.gaussian_process.kernels.DotProduct(sigma_0=1.0, sigma_0_bounds=(1e-05, 100000.0))#

Dot-Product 核函数。

DotProduct 核函数是非平稳的，可以通过在线性回归中对 \(x_d (d = 1, . . . , D)\) 的系数设置 \(N(0, 1)\) 先验和对偏置设置 \(N(0, \sigma_0^2)\) 先验来获得。DotProduct 核函数对原点旋转不变，但对平移不不变。它由参数 sigma_0 \(\sigma\) 参数化，该参数控制核函数的不均匀性。对于 \(\sigma_0^2 =0\) ，该核函数称为齐次线性核函数，否则称为非齐次线性核函数。核函数定义为

\[k(x_i, x_j) = \sigma_0 ^ 2 + x_i \cdot x_j\]

DotProduct 核函数通常与指数化结合使用。

参见 [1], 第四章，第 4.2 节，了解更多关于 DotProduct 核函数的详细信息。

更多信息请参阅 用户指南 。

Added in version 0.18.

Parameters:
sigma_0float >= 0, default=1.0

控制核函数不均匀性的参数。如果 sigma_0=0，则核函数是齐次的。

sigma_0_bounds一对 float >= 0 或 “fixed”, default=(1e-5, 1e5)

‘sigma_0’ 的下限和上限。 如果设置为 “fixed”，则在超参数调整期间 ‘sigma_0’ 不能更改。

References

Examples

>>> 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()
>>> 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...]))
__call__(X, Y=None, eval_gradient=False)#

返回核函数 k(X, Y) 及其梯度（可选）。

Parameters:
Xndarray，形状为 (n_samples_X, n_features)

返回核函数 k(X, Y) 的左参数

Yndarray，形状为 (n_samples_Y, n_features)，默认=None

返回核函数 k(X, Y) 的右参数。如果为 None，则计算 k(X, X)。

eval_gradientbool，默认=False

确定是否计算关于核函数超参数对数的梯度。 仅在 Y 为 None 时支持。

Returns:
Kndarray，形状为 (n_samples_X, n_samples_Y)

核函数 k(X, Y)

K_gradientndarray，形状为 (n_samples_X, n_samples_X, n_dims)，可选

核函数 k(X, X) 关于其超参数对数的梯度。仅在 eval_gradient 为 True 时返回。

property bounds#

返回对theta进行对数变换后的边界。

Returns:
boundsndarray of shape (n_dims, 2)

核函数超参数theta的对数变换边界

clone_with_theta(theta)#

返回具有给定超参数 theta 的自身克隆。

Parameters:
thetandarray of shape (n_dims,)

超参数

diag(X)#

返回核函数 k(X, X) 的对角线。

此方法的结果与 np.diag(self(X)) 相同；然而， 它可以更高效地进行评估，因为只评估了对角线。

Parameters:
Xndarray of shape (n_samples_X, n_features)

返回核函数 k(X, Y) 的左参数。

Returns:
K_diagndarray of shape (n_samples_X,)

核函数 k(X, X) 的对角线。

get_params(deep=True)#

获取此内核的参数。

Parameters:
deepbool, 默认=True

如果为True，将返回此估计器及其包含的作为估计器的子对象的参数。

Returns:
paramsdict

参数名称映射到它们的值。

property hyperparameters#

返回所有超参数规范的列表。

is_stationary()#

返回内核是否是平稳的。

property n_dims#

返回内核的非固定超参数的数量。

property requires_vector_input#

返回内核是否定义在固定长度的特征向量或通用对象上。默认为True以保持向后兼容性。

set_params(**params)#

设置此内核的参数。

该方法适用于简单内核和嵌套内核。后者具有形式为 <component>__<parameter> 的参数，因此可以更新嵌套对象的每个组件。

Returns:
self
property theta#

返回非固定超参数的（扁平化、对数变换后的）值。

注意，theta通常是内核超参数的对数变换值，因为这种搜索空间的表示更适合超参数搜索，例如长度尺度等超参数自然存在于对数尺度上。

Returns:
thetandarray of shape (n_dims,)

内核的非固定、对数变换后的超参数

On this page
Show Source