WhiteKernel

classsklearn.gaussian_process.kernels.WhiteKernel(noise_level=1.0, noise_level_bounds=(1e-05, 100000.0))[source]

Белый шум.

Основное применение этого ядра — в качестве части суммарного ядра, где оно описывает шум сигнала как независимые и одинаково распределённые нормально. Параметр noise_level равен дисперсии этого шума.

\[k(x_1, x_2) = noise\_level \text{ если } x_i == x_j \text{ в противном случае } 0\]

Подробнее см. в Руководстве пользователя.

Добавлен в версии 0.18.

Параметры:

noise_levelfloat, по умолчанию=1.0

Параметр, контролирующий уровень шума (дисперсию)

noise_level_boundsпара два значений float >= 0 или “fixed”, по умолчанию=(1e-5, 1e5)

Нижняя и верхняя границы для ‘noise_level’. Если установлено значение “fixed”, ‘noise_level’ нельзя изменить во время подбора гиперпараметров.

Примеры

>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import DotProduct, WhiteKernel
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = DotProduct() + WhiteKernel(noise_level=0.5)
>>> gpr = GaussianProcessRegressor(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.3680...
>>> gpr.predict(X[:2,:], return_std=True)
(array([653.0..., 592.1... ]), array([316.6..., 316.6...]))

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

Возвращает ядро k(X, Y) и, необязательно, 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_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. Поддерживается только когда Y равно None.

Возвращаемое значение:

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 при eval_gradient равном True.

propertybounds

Возвращает преобразованные в логарифмическую форму границы theta.

Возвращаемое значение:

boundsмассив формы (n_dims, 2)

Преобразованные в логарифмическую форму границы гиперпараметров ядра theta

clone_with_theta(theta)[source]

Возвращает копию 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 его можно вычислить более эффективно, так как вычисляется только диагональ.

Параметры:

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

Аргумент ядра.

Возвращаемое значение:

K_diagмассив формы (n_samples_X,)

Диагональ ядра k(X, X)

... (остальная часть перевода аналогично)