ConstantKernel#

class sklearn.gaussian_process.kernels.ConstantKernel(constant_value=1.0, constant_value_bounds=(1e-05, 100000.0))#

常量核。

可以作为乘积核的一部分，用于缩放其他因子（核）的幅度，或者作为求和核的一部分，用于修改高斯过程的均值。

\[k(x_1, x_2) = constant\_value \;\]

orall; x_1, x_2

添加一个常量核等同于添加一个常数:

kernel = RBF() + ConstantKernel(constant_value=2)

等同于:

kernel = RBF() + 2

更多信息请参阅 用户指南 。

Added in version 0.18.

Parameters:
constant_valuefloat, default=1.0

定义协方差的常数值： k(x_1, x_2) = constant_value

constant_value_bounds一对大于等于0的浮点数或”fixed”, default=(1e-5, 1e5)

constant_value 的下界和上界。 如果设置为”fixed”，则在超参数调整期间不能更改 constant_value 。

Examples

>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import RBF, ConstantKernel
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = RBF() + ConstantKernel(constant_value=2)
>>> gpr = GaussianProcessRegressor(kernel=kernel, alpha=5,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.3696...
>>> gpr.predict(X[:1,:], return_std=True)
(array([606.1...]), array([0.24...]))
__call__(X, Y=None, eval_gradient=False)#

返回核函数 k(X, Y) 及其梯度（可选）。

Parameters:
X形状为 (n_samples_X, n_features) 的类数组或对象列表

返回核函数 k(X, Y) 的左参数

Y形状为 (n_samples_X, n_features) 的类数组或对象列表, 默认=None

返回核函数 k(X, Y) 的右参数。如果为 None，则计算 k(X, X)。

eval_gradientbool, 默认=False

确定是否计算关于核函数超参数对数的梯度。 仅在 Y 为 None 时支持。

Returns:
K形状为 (n_samples_X, n_samples_Y) 的 ndarray

核函数 k(X, Y)

K_gradient形状为 (n_samples_X, n_samples_X, n_dims) 的 ndarray, 可选

核函数 k(X, X) 关于核函数超参数对数的梯度。仅在 eval_gradient 为 True 时返回。

property bounds#

返回对theta进行对数变换后的边界。

Returns:
boundsndarray of shape (n_dims, 2)

核函数超参数theta的对数变换边界

clone_with_theta(theta)#

返回具有给定超参数 theta 的自身克隆。

Parameters:
thetandarray of shape (n_dims,)

超参数

diag(X)#

返回核 k(X, X) 的对角线。

此方法的结果与 np.diag(self(X)) 相同；然而， 由于只计算对角线，因此可以更高效地进行评估。

Parameters:
X形状为 (n_samples_X, n_features) 的类数组或对象列表

核的参数。

Returns:
K_diag形状为 (n_samples_X,) 的 ndarray

核 k(X, X) 的对角线

get_params(deep=True)#

获取此内核的参数。

Parameters:
deepbool, 默认=True

如果为True，将返回此估计器及其包含的作为估计器的子对象的参数。

Returns:
paramsdict

参数名称映射到它们的值。

property hyperparameters#

返回所有超参数规范的列表。

is_stationary()#

返回内核是否是平稳的。

property n_dims#

返回内核的非固定超参数的数量。

property requires_vector_input#

是否内核仅适用于固定长度的特征向量。

set_params(**params)#

设置此内核的参数。

该方法适用于简单内核和嵌套内核。后者具有形式为 <component>__<parameter> 的参数，因此可以更新嵌套对象的每个组件。

Returns:
self
property theta#

返回非固定超参数的（扁平化、对数变换后的）值。

注意，theta通常是内核超参数的对数变换值，因为这种搜索空间的表示更适合超参数搜索，例如长度尺度等超参数自然存在于对数尺度上。

Returns:
thetandarray of shape (n_dims,)

内核的非固定、对数变换后的超参数

On this page
Show Source