Hyperparameter

class sklearn.gaussian_process.kernels.Hyperparameter(name, value_type, bounds, n_elements=1, fixed=None)

一个以namedtuple形式表示的核超参数规范。

Added in version 0.18.

Attributes:

namestr

超参数的名称。注意，使用名为“x”的超参数的核必须具有属性self.x和self.x_bounds

value_typestr

超参数的类型。目前，仅支持“numeric”类型的超参数。

bounds一对浮点数 >= 0 或 “fixed”

参数的下界和上界。如果n_elements>1，可以给出一对每个包含n_elements的1d数组。如果传递字符串“fixed”作为bounds，则超参数的值不能更改。

n_elementsint, 默认=1

超参数值的元素数量。默认为1，对应于标量超参数。n_elements > 1对应于向量值超参数，例如各向异性长度尺度。

fixedbool, 默认=None

此超参数的值是否固定，即在超参数调整期间不能更改。如果传递None，则根据给定的bounds推导出“fixed”。

Examples

>>> from sklearn.gaussian_process.kernels import ConstantKernel
>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import Hyperparameter
>>> X, y = make_friedman2(n_samples=50, noise=0, random_state=0)
>>> kernel = ConstantKernel(constant_value=1.0,
...    constant_value_bounds=(0.0, 10.0))

我们可以访问每个超参数：

>>> for hyperparameter in kernel.hyperparameters:
...    print(hyperparameter)
Hyperparameter(name='constant_value', value_type='numeric',
bounds=array([[ 0., 10.]]), n_elements=1, fixed=False)

>>> params = kernel.get_params()
>>> for key in sorted(params): print(f"{key} : {params[key]}")
constant_value : 1.0
constant_value_bounds : (0.0, 10.0)

bounds

Alias for field number 2

count(value, /)

Return number of occurrences of value.

fixed

Alias for field number 4

index(value, start=0, stop=sys.maxsize, /)

Return first index of value.

Raises ValueError if the value is not present.

n_elements

Alias for field number 3

name

Alias for field number 0

value_type

Alias for field number 1

Gallery examples

离散数据结构上的高斯过程

离散数据结构上的高斯过程