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))#

Exp-Sine-Squared 核（又称周期核）。

ExpSineSquared 核允许我们对完全重复自身的函数进行建模。它由一个长度尺度参数 \(l>0\) 和一个周期性参数 \(p>0\) 进行参数化。目前仅支持 \(l\) 为标量的各向同性变体。核函数定义如下：

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

其中 \(l\) 是核的长度尺度，\(p\) 是核的周期性，\(d(\cdot,\cdot)\) 是欧几里得距离。

更多信息请参阅 用户指南 。

Added in version 0.18.

Parameters:
length_scalefloat > 0, default=1.0

核的长度尺度。

periodicityfloat > 0, default=1.0

核的周期性。

length_scale_bounds一对浮点数 >= 0 或 “fixed”, default=(1e-5, 1e5)

‘length_scale’ 的下界和上界。 如果设置为 “fixed”，则在超参数调整期间 ‘length_scale’ 不能更改。

periodicity_bounds一对浮点数 >= 0 或 “fixed”, default=(1e-5, 1e5)

‘periodicity’ 的下界和上界。 如果设置为 “fixed”，则在超参数调整期间 ‘periodicity’ 不能更改。

Examples

>>> 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)#

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 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，因为只评估对角线。

Parameters:
Xndarray of shape (n_samples_X, n_features)

返回核 k(X, Y) 的左参数

Returns:
K_diagndarray of shape (n_samples_X,)

核 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 hyperparameter_length_scale#

返回长度尺度

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