`sklearn.gaussian_process.kernels`.ConstantKernel¶

class sklearn.gaussian_process.kernels.ConstantKernel¶

Núcleo constante.

Puede utilizarse como parte de un núcleo de producto (product-kernel), en el que escala la magnitud del otro factor (núcleo), o como parte de un núcleo de suma (sum-kernel), en el que modifica la media del proceso gaussiano.

\[k(x_1, x_2) = constant\_value \;\forall\; x_1, x_2\]

Añadir un núcleo constante equivale a añadir una constante:

kernel = RBF() + ConstantKernel(constant_value=2)

es lo mismo que:

kernel = RBF() + 2

Más información en el Manual de usuario.

Nuevo en la versión 0.18.

Parámetros

constant_valuefloat, default=1.0: El valor constante que define la covarianza: k(x_1, x_2) = valor_constante
constant_value_boundspar de flotantes >= 0 o «fixed», default=(1e-5, 1e5): El límite inferior y superior de constant_value. Si se establece como «fixed», constant_value no puede cambiarse durante el ajuste de los hiperparámetros.

Atributos

bounds: Devuelve los límites transformados en logaritmo del theta.
hyperparameter_constant_value
hyperparameters: Devuelve una lista de todas las especificaciones de los hiperparámetros.
n_dims: Devuelve el número de hiperparámetros no fijos del núcleo.
requires_vector_input: Si el núcleo funciona sólo con vectores de características de longitud fija.
theta: Devuelve los hiperparámetros no fijos (aplanados y transformados en logaritmos).

Ejemplos

>>> from sklearn.datasets import make_friedman2
>>> from sklearn.gaussian_process import GaussianProcessRegressor
>>> from sklearn.gaussian_process.kernels import RBF, ConstantKernel
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = RBF() + ConstantKernel(constant_value=2)
>>> gpr = GaussianProcessRegressor(kernel=kernel, alpha=5,
...         random_state=0).fit(X, y)
>>> gpr.score(X, y)
0.3696...
>>> gpr.predict(X[:1,:], return_std=True)
(array([606.1...]), array([0.24...]))

Métodos

`__call__`	Devuelve el núcleo k(X, Y) y opcionalmente su gradiente.
`clone_with_theta`	Devuelve un clon de sí mismo con los hiperparámetros dados theta.
`diag`	Devuelve la diagonal del núcleo k(X, X).
`get_params`	Obtener los parámetros de este núcleo.
`is_stationary`	Devuelve si el núcleo es estacionario.
`set_params`	Establece los parámetros de este núcleo.

__call__()¶

Devuelve el núcleo k(X, Y) y opcionalmente su gradiente.

Parámetros

Xarray-like de forma (n_samples_X, n_features) o lista de objetos: Argumento izquierdo del núcleo devuelto k(X, Y)
Yarray-like de forma (n_samples_X, n_features) o lista de objetos, default=None: Argumento derecho del núcleo devuelto k(X, Y). Si es None, se evalúa k(X, X) en su lugar.
eval_gradientbool, default=False: Determina si se calcula el gradiente con respecto al logaritmo del hiperparámetro del núcleo. Sólo se admite cuando Y es None.

Devuelve

Kndarray de forma (n_samples_X, n_samples_Y): Núcleo k(X, Y)
K_gradientndarray de forma (n_samples_X, n_samples_X, n_dims), opcional: El gradiente del núcleo k(X, X) con respecto al logaritmo del hiperparámetro del núcleo. Sólo se devuelve cuando eval_gradient es True.

property bounds¶

Devuelve los límites transformados en logaritmo del theta.

Devuelve

boundsndarray de forma (n_dims, 2): Los límites transformados logarítmicamente de los hiperparámetros del núcleo theta

clone_with_theta()¶

Devuelve un clon de sí mismo con los hiperparámetros dados theta.

Parámetros

thetandarray de forma (n_dims,): Hiperparámetros

diag()¶

Devuelve la diagonal del núcleo k(X, X).

El resultado de este método es idéntico al de np.diag(self(X)); sin embargo, se puede evaluar de forma más eficiente ya que sólo se evalúa la diagonal.

Parámetros

Xarray-like de forma (n_samples_X, n_features) o lista de objetos: Argumento para el núcleo.

Devuelve

K_diagndarray de forma (n_samples_X,): Diagonal del núcleo k(X, X)

get_params()¶

Obtener los parámetros de este núcleo.

Parámetros

deepbool, default=True: Si es True, devolverá los parámetros para este estimador y los subobjetos contenidos que son estimadores.

Devuelve

paramsdict: Nombres de parámetros mapeados a sus valores.

property hyperparameters¶: Devuelve una lista de todas las especificaciones de los hiperparámetros.

is_stationary()¶: Devuelve si el núcleo es estacionario.

property n_dims¶: Devuelve el número de hiperparámetros no fijos del núcleo.

property requires_vector_input¶: Si el núcleo funciona sólo con vectores de características de longitud fija.

set_params()¶

Establece los parámetros de este núcleo.

El método funciona tanto en núcleos simples como en núcleos anidados. Estos últimos tienen parámetros de la forma <component>__<parameter> para que sea posible actualizar cada componente de un objeto anidado.

Devuelve

self

property theta¶

Devuelve los hiperparámetros no fijos (aplanados y transformados en logaritmos).

Ten en cuenta que theta son típicamente los valores transformados en logaritmos de los hiperparámetros del núcleo, ya que esta representación del espacio de búsqueda es más adecuada para la búsqueda de hiperparámetros, ya que los hiperparámetros como las escalas de longitud viven naturalmente en una escala logarítmica.

Devuelve

thetandarray de forma (n_dims,): Los hiperparámetros no fijos y transformados en logaritmos del núcleo

Ejemplos usando `sklearn.gaussian_process.kernels.ConstantKernel`¶

sklearn.gaussian_process.kernels.ConstantKernel¶

Ejemplos usando sklearn.gaussian_process.kernels.ConstantKernel¶

`sklearn.gaussian_process.kernels`.ConstantKernel¶

Ejemplos usando `sklearn.gaussian_process.kernels.ConstantKernel`¶