Сумма

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

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

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

Обратите внимание, что магический метод __add__ переопределён, поэтому Sum(RBF(), RBF()) эквивалентно использованию оператора + с RBF() + RBF().

Подробнее см. в Руководстве пользователя.

Добавлен в версии 0.18.

Параметры:

k1Ядро

Первое базовое ядро для суммарного ядра.

k2Ядро

Второе базовое ядро для суммарного ядра.

Примеры

>>> 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)[source]

Возвращает ядро k(X, Y) и, при необходимости, 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_X, 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 NumPy формы (n_samples_X, n_samples_Y)

Ядро k(X, Y)

K_gradientМассив NumPy формы (n_samples_X, n_samples_X, n_dims), необязательно

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

свойствоbounds

Возвращает пределы, преобразованные в логарифмическую шкалу, для theta.

Возвращает:

boundsМассив NumPy формы (n_dims, 2)

Пределы, преобразованные в логарифмическую шкалу, для гиперпараметров ядра theta

clone_with_theta(theta)[source]

Возвращает клон self с заданными гиперпараметрами theta.

Параметры:

thetaМассив NumPy 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:

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

Аргумент ядра.

Возвращает:

K_diagмассив 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 содержащихся в нем подобъектов, являющихся оценщиками.

Возвращает:

paramsсловарь

Имена параметров, сопоставленные со значениями.

propertyhyperparameters

Возвращает список всех гиперпараметров.

is_stationary()[source]

Возвращает, является ли ядро стационарным.

propertyn_dims

Возвращает количество нефиксированных гиперпараметров ядра.

propertyrequires_vector_input

Возвращает, является ли ядро стационарным.

set_params(**params)[source]

Установить параметры этого ядра.

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

Возвращает:

self

propertytheta

Возвращает (уплощенные, логарифмически преобразованные) нефиксированные гиперпараметры.

Обратите внимание, что theta обычно представляют собой логарифмически преобразованные значения гиперпараметров ядра, так как эта форма представления пространства поиска более удобна для поиска гиперпараметров, поскольку такие гиперпараметры, как масштабы, естественным образом живут на логарифмической шкале.

Возвращает:

thetaмассив формы (n_dims,)

Нефиксированные, логарифмически преобразованные гиперпараметры ядра