Python sklearn DotProduct用法及代码示例

本文简要介绍python语言中 sklearn.gaussian_process.kernels.DotProduct 的用法。

用法:

class sklearn.gaussian_process.kernels.DotProduct(sigma_0=1.0, sigma_0_bounds=(1e-05, 100000.0))

Dot-Product 内核。

DotProduct 内核是非平稳的，可以通过将\(N(0, 1)\) 先验放在\(x_d (d = 1, . . . , D)\) 的系数上并将\(N(0, \sigma_0^2)\) 的先验放在偏置上，从线性回归中获得。 DotProduct 内核对于坐标绕原点的旋转是不变的，但不是平移。它由控制内核不均匀性的参数 sigma_0 \(\sigma\) 参数化。对于\(\sigma_0^2 =0\)，核称为齐次线性核，否则为非齐次核。内核由下式给出

\[k(x_i, x_j) = \sigma_0 ^ 2 + x_i \cdot x_j\]

DotProduct 内核通常与幂运算结合使用。

有关 DotProduct 内核的更多详细信息，请参阅 [1] 第 4 章第 4.2 节。

在用户指南中阅读更多信息。

参数：

sigma_0：浮点数 >= 0，默认值=1.0

控制内核不均匀性的参数。如果 sigma_0=0，内核是同构的。

sigma_0_bounds：一对浮点数 >= 0 或 “fixed”，默认 =(1e-5, 1e5)

‘sigma_0’ 的下限和上限。如果设置为“fixed”，则在超参数调整期间无法更改‘sigma_0’。

属性：

bounds

返回 theta 上的 log-transformed 边界。

hyperparameter_sigma_0：

hyperparameters

返回所有超参数规范的列表。

n_dims

返回内核的非固定超参数的数量。

requires_vector_input

返回内核是在固定长度特征向量还是通用对象上定义的。

theta

返回(扁平化，log-transformed)非固定超参数。

参考：

1

卡尔·爱德华·拉斯穆森、克里斯托弗·K·I·威廉姆斯 (2006)。 “机器学习的高斯过程”。麻省理工学院出版社。

例子：

>>> 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()
>>> 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...]))