Python sklearn PairwiseKernel用法及代碼示例

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

用法:

class sklearn.gaussian_process.kernels.PairwiseKernel(gamma=1.0, gamma_bounds=(1e-05, 100000.0), metric='linear', pairwise_kernels_kwargs=None)

sklearn.metrics.pairwise 中內核的包裝器。

sklearn.metrics.pairwise 中內核函數的薄包裝。

注意：eval_gradient 的評估不是分析的，而是數字的，所有的

內核僅支持各向同性距離。參數 gamma 被認為是一個超參數並且可以被優化。其他內核參數在初始化時直接設置並保持固定。

參數：

gamma：浮點數，默認=1.0

由度量指定的成對內核的參數 gamma。它應該是正的。

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

‘gamma’ 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‘gamma’。

metric：{“linear”, “additive_chi2”, “chi2”, “poly”, “polynomial”, “rbf”, “laplacian”, “sigmoid”, “cosine”} 或可調用，默認=”linear”

計算特征數組中實例之間的內核時使用的指標。如果 metric 是一個字符串，它必須是 pairwise.PAIRWISE_KERNEL_FUNCTIONS 中的度量之一。如果 metric 是“precomputed”，X 被假定為一個核矩陣。或者，如果 metric 是一個可調用函數，則在每對實例(行)上調用它並記錄結果值。可調用對象應將 X 中的兩個數組作為輸入，並返回一個指示它們之間距離的值。

pairwise_kernels_kwargs：字典，默認=無

此 dict 的所有條目(如果有)都作為關鍵字參數傳遞給成對核函數。

屬性：

bounds

返回 theta 上的 log-transformed 邊界。

hyperparameter_gamma：

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 load_iris
>>> from sklearn.gaussian_process import GaussianProcessClassifier
>>> from sklearn.gaussian_process.kernels import PairwiseKernel
>>> X, y = load_iris(return_X_y=True)
>>> kernel = PairwiseKernel(metric='rbf')
>>> gpc = GaussianProcessClassifier(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpc.score(X, y)
0.9733...
>>> gpc.predict_proba(X[:2,:])
array([[0.8880..., 0.05663..., 0.05532...],
       [0.8676..., 0.07073..., 0.06165...]])