Python sklearn Exponentiation用法及代碼示例

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

用法:

class sklearn.gaussian_process.kernels.Exponentiation(kernel, exponent)

求冪內核采用一個基本內核和一個標量參數\(p\)，並通過

\[k_{exp}(X, Y) = k(X, Y) ^p\]

請注意，__pow__ 魔術方法已被覆蓋，因此 Exponentiation(RBF(), 2) 等效於將 ** 運算符與 RBF() ** 2 一起使用。

在用戶指南中閱讀更多信息。

參數：

kernel：核心

基礎內核

exponent：浮點數

基本內核的 index

屬性：

bounds

返回 theta 上的 log-transformed 邊界。

hyperparameters

返回所有超參數的列表。

n_dims

返回內核的非固定超參數的數量。

requires_vector_input

返回內核是否定義在離散結構上。

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 (RationalQuadratic,
...            Exponentiation)
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = Exponentiation(RationalQuadratic(), exponent=2)
>>> gpr = GaussianProcessRegressor(kernel=kernel, alpha=5,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.419...
>>> gpr.predict(X[:1,:], return_std=True)
(array([635.5...]), array([0.559...]))