PairwiseKernel#

class sklearn.gaussian_process.kernels.PairwiseKernel(gamma=1.0, gamma_bounds=(1e-05, 100000.0), metric='linear', pairwise_kernels_kwargs=None)#

包装器用于sklearn.metrics.pairwise中的内核。

围绕sklearn.metrics.pairwise中的内核功能的一个薄包装器。

注意：eval_gradient的评估不是分析的而是数值的，并且所有内核仅支持各向同性距离。参数gamma被视为超参数，可能会被优化。其他内核参数在初始化时直接设置，并保持固定。

Added in version 0.18.

Parameters:

gammafloat, default=1.0: 由metric指定的成对内核的参数gamma。它应该是正的。
gamma_bounds一对浮点数 >= 0 或 “fixed”, default=(1e-5, 1e5): ‘gamma’的下限和上限。如果设置为”fixed”，则在超参数调整期间’gamma’不能更改。
metric{“linear”, “additive_chi2”, “chi2”, “poly”, “polynomial”, “rbf”, “laplacian”, “sigmoid”, “cosine”} 或 callable, default=”linear”: 在计算特征数组中实例之间的内核时使用的度量。如果metric是字符串，则它必须是pairwise.PAIRWISE_KERNEL_FUNCTIONS中的度量之一。如果metric是”precomputed”，则假定X是内核矩阵。或者，如果metric是一个可调用函数，则它在每对实例（行）上调用，并记录结果值。可调用函数应接受X中的两个数组作为输入，并返回指示它们之间距离的值。
pairwise_kernels_kwargsdict, default=None: 此字典中的所有条目（如果有）都作为关键字参数传递给成对内核函数。

Examples

>>> from sklearn.datasets import load_iris
>>> from sklearn.gaussian_process import GaussianProcessClassifier
>>> from sklearn.gaussian_process.kernels import PairwiseKernel
>>> X, y = load_iris(return_X_y=True)
>>> kernel = PairwiseKernel(metric='rbf')
>>> gpc = GaussianProcessClassifier(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpc.score(X, y)
0.9733...
>>> gpc.predict_proba(X[:2,:])
array([[0.8880..., 0.05663..., 0.05532...],
       [0.8676..., 0.07073..., 0.06165...]])

__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 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