Возведение в степень

классsklearn.gaussian_process.kernels.Exponentiation(kernel, exponent)[source]

Ядро Возведение в степень принимает одно базовое ядро и скалярный параметр \(p\) и объединяет их следующим образом:

\[k_{exp}(X, Y) = k(X, Y) ^p\]

Обратите внимание, что магический метод __pow__ переопределен, поэтому Exponentiation(RBF(), 2) эквивалентно использованию оператора ** с RBF() ** 2.

Дополнительную информацию см. в Руководстве пользователя.

Добавлен в версии 0.18.

Параметры:

kernelЯдро

Базовое ядро

exponentfloat

Показатель степени для базового ядра

Примеры

>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import (RationalQuadratic,
...            Exponentiation)
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = Exponentiation(RationalQuadratic(), exponent=2)
>>> gpr = GaussianProcessRegressor(kernel=kernel, alpha=5,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.419...
>>> gpr.predict(X[:1,:], return_std=True)
(array([635.5...]), array([0.559...]))

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

Возвращает ядро k(X, Y) и, при необходимости, его градиент.

Параметры:

Xмассив-подобный формы (n_samples_X, n_features) или список объектов

Левый аргумент возвращаемого ядра k(X, Y)

Yмассив-подобный формы (n_samples_Y, n_features) или список объектов, по умолчанию = None

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

eval_gradientbool, по умолчанию=False

Определяет, вычисляется ли градиент по отношению к логарифму гиперпараметра ядра.

Возвращает:

Kмассив формы (n_samples_X, n_samples_Y)

Ядро k(X, Y)

K_gradientмассив формы (n_samples_X, n_samples_X, n_dims), необязательно

Градиент ядра k(X, X) по отношению к логарифму гиперпараметра ядра. Возвращается только тогда, когда eval_gradient имеет значение True.

свойствоbounds

Возвращает пределы, преобразованные в логарифмическую форму, для theta.

Возвращает:

boundsмассив формы (n_dims, 2)

Пределы, преобразованные в логарифмическую форму, для гиперпараметров ядра theta

clone_with_theta(theta)[source]

Возвращает клон self с заданными гиперпараметрами theta.

Параметры:

thetaмассив 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:

Xодномерный массив (n_samples_X, n_features) или список объектов

Аргумент для ядра.

Возвращаемое значение:

K_diagодномерный массив (n_samples_X,)

Диагональ ядра k(X, X)

get_params(deep=True)[source]

Получить параметры этого ядра.

Параметры:

deepbool, по умолчанию=True

Если True, вернёт параметры для этого оценщика и содержащихся вложенных объектов, являющихся оценщиками.

Возвращаемое значение:

paramsсловарь

Названия параметров, сопоставленные с их значениями.

свойствоhyperparameters

Возвращает список всех гиперпараметров.

is_stationary()[source]

Возвращает, является ли ядро стационарным.

свойствоn_dims

Возвращает количество нефиксированных гиперпараметров ядра.

свойствоrequires_vector_input

Возвращает, определено ли ядро на дискретных структурах.

set_params(**params)[source]

Установить параметры этого ядра.

Метод работает как с простыми ядрами, так и с вложенными ядрами. Последние имеют параметры вида <component>__<parameter>, чтобы можно было обновлять каждый компонент вложенного объекта.

Возвращаемое значение:

self

свойствоtheta

Возвращает (уплощенные, логарифмически преобразованные) нефиксированные гиперпараметры.

Обратите внимание, что theta обычно являются логарифмически преобразованными значениями гиперпараметров ядра, так как это представление пространства поиска более подходит для поиска гиперпараметров, поскольку такие гиперпараметры, как масштабы, естественным образом лежат на логарифмической шкале.

Возвращаемое значение:

thetaодномерный массив (n_dims,)

Нефиксированные, логарифмически преобразованные гиперпараметры ядра