Python sklearn Hyperparameter用法及代碼示例

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

用法:

class sklearn.gaussian_process.kernels.Hyperparameter(name, value_type, bounds, n_elements=1, fixed=None)

以命名元組形式的內核超參數規範。

屬性：

name：str

超參數的名稱。請注意，使用名稱為 “x” 的超參數的內核必須具有 self.x 和 self.x_bounds 屬性

value_type：str

超參數的類型。目前，僅支持 “numeric” 超參數。

bounds：一對浮點數 >= 0 或 “fixed”

參數的下限和上限。如果 n_elements>1，則可以交替給出一對具有 n_elements 的 1d 數組。如果字符串 “fixed” 作為邊界傳遞，則無法更改超參數的值。

n_elements：整數，默認=1

超參數值的元素個數。默認為 1，對應於標量超參數。 n_elements > 1對應於vector-valued的超參數，例如各向異性length-scales。

fixed：布爾，默認=無

該超參數的值是否固定，即在超參數調整期間不能更改。如果 None 被傳遞，“fixed” 是根據給定的界限派生的。

例子：

>>> from sklearn.gaussian_process.kernels import ConstantKernel
>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import Hyperparameter
>>> X, y = make_friedman2(n_samples=50, noise=0, random_state=0)
>>> kernel = ConstantKernel(constant_value=1.0,
...    constant_value_bounds=(0.0, 10.0))

我們可以訪問每個超參數：

>>> for hyperparameter in kernel.hyperparameters:
...    print(hyperparameter)
Hyperparameter(name='constant_value', value_type='numeric',
bounds=array([[ 0., 10.]]), n_elements=1, fixed=False)

>>> params = kernel.get_params()
>>> for key in sorted(params): print(f"{key} : {params[key]}")
constant_value : 1.0
constant_value_bounds : (0.0, 10.0)