當前位置: 首頁>>代碼示例 >>用法及示例精選 >>正文


Python sklearn ExpSineSquared用法及代碼示例


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。

參數

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’。

屬性

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。

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


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。