本文簡要介紹python語言中 sklearn.gaussian_process.kernels.ExpSineSquared
的用法。
用法:
class sklearn.gaussian_process.kernels.ExpSineSquared(length_scale=1.0, periodicity=1.0, length_scale_bounds=(1e-05, 100000.0), periodicity_bounds=(1e-05, 100000.0))
Exp-Sine-Squared 內核(又名周期性內核)。
ExpSineSquared 內核允許對完全重複的函數進行建模。它由長度尺度參數 和周期性參數 參數化。目前僅支持 為標量的各向同性變體。內核由下式給出:
其中 是內核的長度尺度, 是內核的周期性, 是歐幾裏得距離。
在用戶指南中閱讀更多信息。
- length_scale:浮點數> 0,默認= 1.0
內核的長度尺度。
- periodicity:浮點數> 0,默認= 1.0
內核的周期性。
- length_scale_bounds:一對浮點數 >= 0 或 “fixed”,默認 =(1e-5, 1e5)
‘length_scale’ 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‘length_scale’。
- periodicity_bounds:一對浮點數 >= 0 或 “fixed”,默認 =(1e-5, 1e5)
‘periodicity’ 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‘periodicity’。
bounds
返回 theta 上的 log-transformed 邊界。
hyperparameter_length_scale
返回長度比例
- hyperparameter_periodicity:
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
返回內核是在固定長度特征向量還是通用對象上定義的。
theta
返回(扁平化,log-transformed)非固定超參數。
參數:
屬性:
例子:
>>> from sklearn.datasets import make_friedman2 >>> from sklearn.gaussian_process import GaussianProcessRegressor >>> from sklearn.gaussian_process.kernels import ExpSineSquared >>> X, y = make_friedman2(n_samples=50, noise=0, random_state=0) >>> kernel = ExpSineSquared(length_scale=1, periodicity=1) >>> gpr = GaussianProcessRegressor(kernel=kernel, alpha=5, ... random_state=0).fit(X, y) >>> gpr.score(X, y) 0.0144... >>> gpr.predict(X[:2,:], return_std=True) (array([425.6..., 457.5...]), array([0.3894..., 0.3467...]))
相關用法
- Python sklearn Exponentiation用法及代碼示例
- Python sklearn ExtraTreeClassifier用法及代碼示例
- Python sklearn ExtraTreesRegressor用法及代碼示例
- Python sklearn ExtraTreeRegressor用法及代碼示例
- Python sklearn ExtraTreesClassifier用法及代碼示例
- Python sklearn ElasticNetCV用法及代碼示例
- Python sklearn ElasticNet用法及代碼示例
- Python sklearn ElasticNet.path用法及代碼示例
- Python sklearn EllipticEnvelope用法及代碼示例
- Python sklearn ElasticNetCV.path用法及代碼示例
- Python sklearn EmpiricalCovariance用法及代碼示例
- Python sklearn jaccard_score用法及代碼示例
- Python sklearn WhiteKernel用法及代碼示例
- Python sklearn CalibrationDisplay.from_predictions用法及代碼示例
- Python sklearn VotingRegressor用法及代碼示例
- Python sklearn gen_batches用法及代碼示例
- Python sklearn MDS用法及代碼示例
- Python sklearn adjusted_rand_score用法及代碼示例
- Python sklearn MLPClassifier用法及代碼示例
- Python sklearn train_test_split用法及代碼示例
- Python sklearn RandomTreesEmbedding用法及代碼示例
- Python sklearn GradientBoostingRegressor用法及代碼示例
- Python sklearn GridSearchCV用法及代碼示例
- Python sklearn log_loss用法及代碼示例
- Python sklearn r2_score用法及代碼示例
注:本文由純淨天空篩選整理自scikit-learn.org大神的英文原創作品 sklearn.gaussian_process.kernels.ExpSineSquared。非經特殊聲明,原始代碼版權歸原作者所有,本譯文未經允許或授權,請勿轉載或複製。