Python sklearn ExpSineSquared用法及代码示例

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

用法:

class sklearn.gaussian_process.kernels.ExpSineSquared(length_scale=1.0, periodicity=1.0, length_scale_bounds=(1e-05, 100000.0), periodicity_bounds=(1e-05, 100000.0))

Exp-Sine-Squared 内核(又名周期性内核)。

ExpSineSquared 内核允许对完全重复的函数进行建模。它由长度尺度参数 \(l>0\) 和周期性参数 \(p>0\) 参数化。目前仅支持\(l\) 为标量的各向同性变体。内核由下式给出：

\[k(x_i, x_j) = \text{exp}\left(- \frac{ 2\sin^2(\pi d(x_i, x_j)/p) }{ l^ 2} \right)\]

其中\(l\)是内核的长度尺度，\(p\)是内核的周期性，\(d(\\cdot,\\cdot)\)是欧几里得距离。

在用户指南中阅读更多信息。

参数：

length_scale：浮点数> 0，默认= 1.0

内核的长度尺度。

periodicity：浮点数> 0，默认= 1.0

内核的周期性。

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

‘length_scale’ 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‘length_scale’。

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

‘periodicity’ 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‘periodicity’。

属性：

bounds

返回 theta 上的 log-transformed 边界。

hyperparameter_length_scale

返回长度比例

hyperparameter_periodicity：

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。

例子：

>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import ExpSineSquared
>>> X, y = make_friedman2(n_samples=50, noise=0, random_state=0)
>>> kernel = ExpSineSquared(length_scale=1, periodicity=1)
>>> gpr = GaussianProcessRegressor(kernel=kernel, alpha=5,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.0144...
>>> gpr.predict(X[:2,:], return_std=True)
(array([425.6..., 457.5...]), array([0.3894..., 0.3467...]))