Sum#

class sklearn.gaussian_process.kernels.Sum(k1, k2)#

Sum 核接受两个核 \(k_1\) 和 \(k_2\) 并通过以下方式组合它们：

\[k_{sum}(X, Y) = k_1(X, Y) + k_2(X, Y)\]

注意， __add__ 魔法方法被重写，因此 Sum(RBF(), RBF()) 等同于使用 + 运算符与 RBF() + RBF() 。

更多信息请参阅用户指南。

Added in version 0.18.

Parameters:

k1Kernel: 和核的第一个基础核
k2Kernel: 和核的第二个基础核

Examples

>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import RBF, Sum, ConstantKernel
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = Sum(ConstantKernel(2), RBF())
>>> gpr = GaussianProcessRegressor(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
1.0
>>> kernel
1.41**2 + RBF(length_scale=1)

__call__(X, Y=None, eval_gradient=False)#

返回核函数 k(X, Y) 及其梯度（可选）。

Parameters:

X形状为 (n_samples_X, n_features) 的类数组或对象列表: 返回核函数 k(X, Y) 的左参数
Y形状为 (n_samples_X, n_features) 的类数组或对象列表, 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。

Returns:

K形状为 (n_samples_X, n_samples_Y) 的 ndarray: 核函数 k(X, Y)
K_gradient形状为 (n_samples_X, n_samples_X, n_dims) 的 ndarray, 可选: 核函数 k(X, X) 关于其超参数对数的梯度。仅当 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，因为只评估对角线。

Parameters:

X形状为 (n_samples_X, n_features) 的类数组或对象列表: 核函数的参数。

Returns:

K_diag形状为 (n_samples_X,) 的 ndarray: 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#: 返回内核是否是平稳的。

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