ConstantKernel

classsklearn.gaussian_process.kernels.ConstantKernel(constant_value=1.0, constant_value_bounds=(1e-05, 100000.0))[source]

Константное ядро.

Может использоваться как часть ядра произведения, где оно масштабирует величину другого множителя (ядра), или как часть суммы ядра, где оно изменяет среднее значение гауссовского процесса.

\[k(x_1, x_2) = constant\_value \;\forall\; x_1, x_2\]

Добавление константного ядра эквивалентно добавлению константы:

kernel = RBF() + ConstantKernel(constant_value=2)

то же самое, что и:

kernel = RBF() + 2

Подробнее см. в Руководстве пользователя.

Добавлен в версии 0.18.

Параметры:

constant_valuefloat, по умолчанию=1.0

Постоянное значение, которое определяет ковариацию: k(x_1, x_2) = constant_value

constant_value_boundsпара из чисел >= 0 или “fixed”, по умолчанию=(1e-5, 1e5)

Нижняя и верхняя граница на constant_value. Если установлено «fixed», constant_value нельзя изменить во время настройки гиперпараметров.

Примеры

>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import RBF, ConstantKernel
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = RBF() + ConstantKernel(constant_value=2)
>>> gpr = GaussianProcessRegressor(kernel=kernel, alpha=5,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.3696...
>>> gpr.predict(X[:1,:], return_std=True)
(array([606.1...]), array([0.24...]))

__call__(X, Y=None, eval_gradient=False)[source]

Возвращает ядро k(X, Y) и, по желанию, его градиент.

Параметры:

Xarray-like формы (n_samples_X, n_features) или список объектов

Левый аргумент возвращаемого ядра k(X, Y)

Yarray-like формы (n_samples_X, n_features) или список объектов, по умолчанию=None

Правый аргумент возвращаемого ядра k(X, Y). Если None, вместо этого вычисляется k(X, X).

eval_gradientbool, по умолчанию=False

Определяет, вычисляется ли градиент по отношению к логарифму гиперпараметра ядра. Поддерживается только когда Y равно None.

Возвращает:

Kndarray формы (n_samples_X, n_samples_Y)

Ядро k(X, Y)

K_gradientndarray формы (n_samples_X, n_samples_X, n_dims), необязательно

Градиент ядра k(X, X) по отношению к логарифму гиперпараметра ядра. Возвращается только при eval_gradient = True.

propertybounds

Возвращает преобразованные в логарифмический вид границы на theta.

Возвращает:

boundsndarray формы (n_dims, 2)

Преобразованные в логарифмический вид границы на гиперпараметры ядра theta

clone_with_theta(theta)[source]

Возвращает копию self с заданными гиперпараметрами theta.

Параметры:

thetandarray формы (n_dims,)

Гиперпараметры

diag(X)[source]

Возвращает диагональ ядра k(X, X).

Результат этого метода идентичен np.diag(self(X)); однако, он может быть вычислен более эффективно, так как вычисляется только диагональ.

Параметры:

Xarray-like формы (n_samples_X, n_features) или список объектов

Аргумент ядра.

Возвращает:

K_diagndarray формы (n_samples_X,)

Диагональ ядра k(X, X)

get_params(deep=True)[source]

Получить параметры этого ядра.

Параметры:

deepbool, по умолчанию=True

Если True, вернет параметры для этого оценщика и вложенных подобъектов, которые являются оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные со значениями.

propertyhyperparameters

Возвращает список всех спецификаций гиперпараметров.

is_stationary()[source]

Возвращает, является ли ядро стационарным.

propertyn_dims

Возвращает количество нефиксированных гиперпараметров ядра.

propertyrequires_vector_input

Ядро работает только с векторами фиксированной длины.

set_params(**params)[source]

Установить параметры этого ядра.

Метод работает с простыми ядрами, а также с вложенными ядрами. Последние имеют параметры вида <component>__<parameter> , чтобы было возможным обновление каждого компонента вложенного объекта.

Возвращает:

self

propertytheta

Возвращает (сжатые, преобразованные в логарифмический вид) нефиксированные гиперпараметры.

Обратите внимание, что theta обычно являются значениями гиперпараметров ядра, преобразованными в логарифмический вид, так как такое представление пространства поиска более подходит для поиска гиперпараметров, так как такие гиперпараметры, как масштабы, естественным образом существуют в логарифмической шкале.

Возвращает:

thetandarray формы (n_dims,)

Нефиксированные, преобразованные в логарифмический вид гиперпараметры ядра