Python sklearn WhiteKernel用法及代碼示例

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

用法:

class sklearn.gaussian_process.kernels.WhiteKernel(noise_level=1.0, noise_level_bounds=(1e-05, 100000.0))

白仁。

該內核的主要用例是作為sum-kernel 的一部分，它以獨立且相同的方式解釋信號的噪聲normally-distributed。參數noise_level 等於該噪聲的方差。

\[k(x_1, x_2) = noise\_level \text{ if } x_i == x_j \text{ else } 0\]

在用戶指南中閱讀更多信息。

參數：

noise_level：浮點數，默認=1.0

控製噪聲水平(方差)的參數

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

‘noise_level’ 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‘noise_level’。

屬性：

bounds

返回 theta 上的 log-transformed 邊界。

hyperparameter_noise_level：

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

內核是否僅適用於固定長度的特征向量。

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 DotProduct, WhiteKernel
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = DotProduct() + WhiteKernel(noise_level=0.5)
>>> gpr = GaussianProcessRegressor(kernel=kernel,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.3680...
>>> gpr.predict(X[:2,:], return_std=True)
(array([653.0..., 592.1... ]), array([316.6..., 316.6...]))