Python sklearn WhiteKernel用法及代码示例

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

用法:

class sklearn.gaussian_process.kernels.WhiteKernel(noise_level=1.0, noise_level_bounds=(1e-05, 100000.0))

白仁。

该内核的主要用例是作为sum-kernel 的一部分，它以独立且相同的方式解释信号的噪声normally-distributed。参数noise_level 等于该噪声的方差。

\[k(x_1, x_2) = noise\_level \text{ if } x_i == x_j \text{ else } 0\]

在用户指南中阅读更多信息。

参数：

noise_level：浮点数，默认=1.0

控制噪声水平(方差)的参数

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

‘noise_level’ 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‘noise_level’。

属性：

bounds

返回 theta 上的 log-transformed 边界。

hyperparameter_noise_level：

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

内核是否仅适用于固定长度的特征向量。

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 DotProduct, WhiteKernel
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = DotProduct() + WhiteKernel(noise_level=0.5)
>>> 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...]))