Python sklearn Product用法及代码示例

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

用法:

class sklearn.gaussian_process.kernels.Product(k1, k2)

Product 内核采用两个内核 \(k_1\) 和 \(k_2\) 并通过

\[k_{prod}(X, Y) = k_1(X, Y) * k_2(X, Y)\]

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

在用户指南中阅读更多信息。

参数：

k1：核心

product-kernel 的第一个 base-kernel

k2：核心

product-kernel 的第二个 base-kernel

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

返回内核是否静止。

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 (RBF, Product,
...            ConstantKernel)
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = Product(ConstantKernel(2), RBF())
>>> gpr = GaussianProcessRegressor(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
1.0
>>> kernel
1.41**2 * RBF(length_scale=1)