Python sklearn Product用法及代碼示例

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

用法:

class sklearn.gaussian_process.kernels.Product(k1, k2)

Product 內核采用兩個內核 \(k_1\) 和 \(k_2\) 並通過

\[k_{prod}(X, Y) = k_1(X, Y) * k_2(X, Y)\]

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

在用戶指南中閱讀更多信息。

參數：

k1：核心

product-kernel 的第一個 base-kernel

k2：核心

product-kernel 的第二個 base-kernel

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

返回內核是否靜止。

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 (RBF, Product,
...            ConstantKernel)
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = Product(ConstantKernel(2), RBF())
>>> gpr = GaussianProcessRegressor(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
1.0
>>> kernel
1.41**2 * RBF(length_scale=1)