Python sklearn PairwiseKernel用法及代码示例

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

用法:

class sklearn.gaussian_process.kernels.PairwiseKernel(gamma=1.0, gamma_bounds=(1e-05, 100000.0), metric='linear', pairwise_kernels_kwargs=None)

sklearn.metrics.pairwise 中内核的包装器。

sklearn.metrics.pairwise 中内核函数的薄包装。

注意：eval_gradient 的评估不是分析的，而是数字的，所有的

内核仅支持各向同性距离。参数 gamma 被认为是一个超参数并且可以被优化。其他内核参数在初始化时直接设置并保持固定。

参数：

gamma：浮点数，默认=1.0

由度量指定的成对内核的参数 gamma。它应该是正的。

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

‘gamma’ 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‘gamma’。

metric：{“linear”, “additive_chi2”, “chi2”, “poly”, “polynomial”, “rbf”, “laplacian”, “sigmoid”, “cosine”} 或可调用，默认=”linear”

计算特征数组中实例之间的内核时使用的指标。如果 metric 是一个字符串，它必须是 pairwise.PAIRWISE_KERNEL_FUNCTIONS 中的度量之一。如果 metric 是“precomputed”，X 被假定为一个核矩阵。或者，如果 metric 是一个可调用函数，则在每对实例(行)上调用它并记录结果值。可调用对象应将 X 中的两个数组作为输入，并返回一个指示它们之间距离的值。

pairwise_kernels_kwargs：字典，默认=无

此 dict 的所有条目(如果有)都作为关键字参数传递给成对核函数。

属性：

bounds

返回 theta 上的 log-transformed 边界。

hyperparameter_gamma：

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 load_iris
>>> from sklearn.gaussian_process import GaussianProcessClassifier
>>> from sklearn.gaussian_process.kernels import PairwiseKernel
>>> X, y = load_iris(return_X_y=True)
>>> kernel = PairwiseKernel(metric='rbf')
>>> gpc = GaussianProcessClassifier(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpc.score(X, y)
0.9733...
>>> gpc.predict_proba(X[:2,:])
array([[0.8880..., 0.05663..., 0.05532...],
       [0.8676..., 0.07073..., 0.06165...]])