Продукт

классsklearn.gaussian_process.kernels.Product(k1, k2)[source]

Ядро Product принимает два ядра \(k_1\) и \(k_2\) и объединяет их следующим образом:

\[k_{prod}(X, Y) = k_1(X, Y) * k_2(X, Y)\]

Обратите внимание, что магический метод __mul__ переопределён, поэтому Product(RBF(), RBF()) эквивалентно использованию оператора * с RBF() * RBF().

Дополнительные сведения см. в Руководстве пользователя.

Добавлен в версии 0.18.

Параметры:

k1Ядро

Первое базовое ядро произведения.

k2Ядро

Второе базовое ядро произведения.

Примеры

>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import (RBF, Product,
...            ConstantKernel)
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = Product(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)[source]

Возвращает ядро k(X, Y), а также (необязательно) его градиент.

Параметры:

XМассив-подобный объект формы (n_samples_X, n_features) или список объектов

Левый аргумент возвращаемого ядра k(X, Y)

YМассив-подобный объект 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 с формой (n_samples_X, n_samples_Y)

Ядро k(X, Y)

K_gradientМассив с формой (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 равно True.

свойствоbounds

Возвращает пределы, преобразованные в логарифмическую форму, для theta.

Возвращает:

boundsМассив с формой (n_dims, 2)

Пределы, преобразованные в логарифмическую форму, для гиперпараметров ядра theta.

clone_with_theta(theta)[source]

Возвращает копию self с заданными гиперпараметрами theta.

Параметры:

thetaМассив с формой (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, поскольку вычисляется только диагональ.

Параметры:

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

Аргумент для ядра.

Возвращаемое значение:

K_diagмассив NumPy 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, вернёт параметры для этого оценщика и вложенных подобъектов, являющихся оценщиками.

Возвращаемое значение:

paramsсловарь

Имена 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, является ли ядро стационарным.

set_params(**params)[source]

Установить параметры этого ядра.

Метод работает с простыми ядрами, а также с вложенными ядрами. Последние имеют параметры в форме <component>__<parameter>, чтобы можно было обновить каждый компонент вложенного объекта.

Возвращаемое значение:

self

свойствоtheta

Возвращает (уплощённые, логарифмически преобразованные) нефиксированные гиперпараметры.

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

Возвращаемое значение:

thetaмассив NumPy формы (n_dims,)

Нефиксированные, логарифмически преобразованные гиперпараметры ядра