WhiteKernel

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

Белое ядро.

Основной вариант использования этого ядра — в составе суммарного ядра, где оно описывает шум сигнала как независимый и одинаково распределённый по нормальному закону. Параметр noise_level равен дисперсии этого шума.

\[k(x_1, x_2) = noise\_level \text{ if } x_i == x_j \text{ else } 0\]

Подробнее см. в Руководстве пользователя.

Добавлено в версии 0.18.

Параметры:

noise_levelfloat, по умолчанию=1.0

Параметр, задающий уровень шума (дисперсию)

noise_level_boundsпара из чисел с плавающей точкой >= 0 или «fixed», по умолчанию=(1e-5, 1e5)

Нижняя и верхняя границы для ‘noise_level’. Если задано значение «fixed», ‘noise_level’ 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 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)[исходный код]

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

Параметры:

Xмассивоподобный объект формы (n_samples_X, n_features) или список объектов

Левый аргумент возвращаемого ядра k(X, Y)

Yмассивоподобный объект формы (n_samples_X, n_features) или список объектов, по умолчанию=None

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

eval_gradientbool, по умолчанию=False

Определяет, вычисляется ли градиент относительно логарифма гиперпараметра ядра. Поддерживается, только если Y имеет значение 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), необязательный

Градиент ядра k(X, X) относительно логарифма гиперпараметра ядра. Возвращается, только если eval_gradient имеет значение True.

propertybounds

Возвращает логарифмически преобразованные границы для theta.

Возвращает:

boundsndarray формы (n_dims, 2)

Логарифмически преобразованные границы гиперпараметров ядра theta

clone_with_theta(theta)[исходный код]

Возвращает копию self с заданными гиперпараметрами theta.

Параметры:

thetandarray формы (n_dims,)

Гиперпараметры

diag(X)[исходный код]

Возвращает диагональ ядра k(X, X).

Результат этого метода идентичен np.diag(self(X)); однако его можно вычислить эффективнее, поскольку вычисляется только диагональ.

Параметры:

Xмассивоподобный объект 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)[исходный код]

Получает параметры этого ядра.

Параметры:

deepbool, по умолчанию=True

Если True, возвращает параметры этого оценщика и содержащихся в нём подобъектов, которые являются оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

propertyhyperparameters

Возвращает список спецификаций всех гиперпараметров.

is_stationary()[исходный код]

Возвращает, является ли ядро стационарным.

propertyn_dims

Возвращает количество незаданных фиксированными значениями гиперпараметров ядра.

propertyrequires_vector_input

Определяет, работает ли ядро только с векторами признаков фиксированной длины.

set_params(**params)[исходный код]

Задаёт параметры этого ядра.

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

Возвращает:

self

propertytheta

Возвращает незаданные фиксированными значениями гиперпараметры (в виде плоского массива, с логарифмическим преобразованием).

Обратите внимание, что theta обычно содержит логарифмически преобразованные значения гиперпараметров ядра, поскольку такое представление пространства поиска лучше подходит для поиска гиперпараметров, так как такие гиперпараметры, как масштабы длины, естественным образом задаются в логарифмической шкале.

Возвращает:

thetandarray формы (n_dims,)

Незаданные фиксированными значениями гиперпараметры ядра с логарифмическим преобразованием

Примеры из галереи

Сравнение гребневой регрессии с ядром и регрессии на основе гауссовских процессов

Прогнозирование уровня CO2 на наборе данных Мауна-Лоа с помощью регрессии на основе гауссовских процессов (GPR)

Способность регрессии на основе гауссовских процессов (GPR) оценивать уровень шума в данных