Python sklearn Exponentiation用法及代码示例

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

用法:

class sklearn.gaussian_process.kernels.Exponentiation(kernel, exponent)

求幂内核采用一个基本内核和一个标量参数\(p\)，并通过

\[k_{exp}(X, Y) = k(X, Y) ^p\]

请注意，__pow__ 魔术方法已被覆盖，因此 Exponentiation(RBF(), 2) 等效于将 ** 运算符与 RBF() ** 2 一起使用。

在用户指南中阅读更多信息。

参数：

kernel：核心

基础内核

exponent：浮点数

基本内核的 index

属性：

bounds

返回 theta 上的 log-transformed 边界。

hyperparameters

返回所有超参数的列表。

n_dims

返回内核的非固定超参数的数量。

requires_vector_input

返回内核是否定义在离散结构上。

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 (RationalQuadratic,
...            Exponentiation)
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = Exponentiation(RationalQuadratic(), exponent=2)
>>> gpr = GaussianProcessRegressor(kernel=kernel, alpha=5,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.419...
>>> gpr.predict(X[:1,:], return_std=True)
(array([635.5...]), array([0.559...]))