Python sklearn ConstantKernel用法及代碼示例

本文簡要介紹python語言中 sklearn.gaussian_process.kernels.ConstantKernel 的用法。

用法:

class sklearn.gaussian_process.kernels.ConstantKernel(constant_value=1.0, constant_value_bounds=(1e-05, 100000.0))

常數內核。

可以用作product-kernel 的一部分，它可以縮放其他因子(內核)的大小，也可以用作sum-kernel 的一部分，它可以修改高斯過程的平均值。

\[k(x_1, x_2) = constant\_value \;\forall\; x_1, x_2\]

添加一個常量內核相當於添加一個常量：

kernel = RBF() + ConstantKernel(constant_value=2)

是相同的：

kernel = RBF() + 2

在用戶指南中閱讀更多信息。

參數：

constant_value：浮點數，默認=1.0

定義協方差的常數值：k(x_1, x_2) = constant_value

constant_value_bounds：一對浮點數 >= 0 或 “fixed”，默認 =(1e-5, 1e5)

constant_value 的下限和上限。如果設置為“fixed”，則在超參數調整期間無法更改constant_value。

屬性：

bounds

返回 theta 上的 log-transformed 邊界。

hyperparameter_constant_value：

hyperparameters

返回所有超參數規範的列表。

n_dims

返回內核的非固定超參數的數量。

requires_vector_input

內核是否僅適用於固定長度的特征向量。

theta

返回(扁平化，log-transformed)非固定超參數。

例子：

>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import RBF, ConstantKernel
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = RBF() + ConstantKernel(constant_value=2)
>>> gpr = GaussianProcessRegressor(kernel=kernel, alpha=5,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.3696...
>>> gpr.predict(X[:1,:], return_std=True)
(array([606.1...]), array([0.24...]))