`sklearn.gaussian_process.kernels`.PairwiseKernel¶

class sklearn.gaussian_process.kernels.PairwiseKernel¶

Envoltorio (wrapper) para kernels en sklearn.metrics.pairwise.

Un envoltorio fino (thin wrapper) alrededor de la funcionalidad de los núcleos en sklearn.metrics.pairwise.

Nota: La evaluación de eval_gradient no es analítica sino numérica y todos los: núcleos sólo admiten distancias isotrópicas. El parámetro gamma se considera un hiperparámetro y puede ser optimizado. Los demás parámetros del núcleo se establecen directamente en la inicialización y se mantienen fijos.

Nuevo en la versión 0.18.

Parámetros

gammafloat, default=1.0: Parámetro gamma del núcleo de pares especificado por la métrica. Debe ser positivo.
gamma_boundspar de flotantes >= 0 o «fixed», default=(1e-5, 1e5): El límite inferior y superior de “gamma”. Si se establece como » ixed», “gamma” no puede cambiarse durante el ajuste de los hiperparámetros.
metric{«linear», «additive_chi2», «chi2», «poly», «polynomial», «rbf», «laplacian», «sigmoid», «cosine»} o invocable, default=»linear»: La métrica a utilizar cuando se calcula el núcleo entre instancias en un arreglo de características. Si la métrica es una cadena, debe ser una de las métricas en pairwise.PAIRWISE_KERNEL_FUNCTIONS. Si la métrica es «precalculada», se asume que X es una matriz de núcleo. Alternativamente, si la métrica es una función invocable, se llama en cada par de instancias (filas) y se registra el valor resultante. La función invocable debe tomar dos arreglos de X como entrada y devolver un valor que indique la distancia entre ellos.
pairwise_kernels_kwargsdict, default=None: Todas las entradas de este dict (si las hay) se pasan como argumentos de keyword a la función de núcleo por pares (pairwise kernel).

Atributos

bounds: Devuelve los límites transformados en logaritmo de theta.
hyperparameter_gamma
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: Devuelve si el núcleo está definido en vectores de características de longitud fija o en objetos genéricos.
theta: Devuelve los hiperparámetros no fijos (aplanados y transformados en logaritmos).

Ejemplos

>>> 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...]])

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`	Obtiene 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

Xndarray de forma (n_samples_X, n_features): Argumento izquierdo del núcleo devuelto k(X, Y)
Yndarray de forma (n_samples_Y, n_features), 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 (kernel) 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 de 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

Xndarray de forma (n_samples_X, n_features): Argumento izquierdo del núcleo devuelto k(X, Y)

Devuelve

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

get_params()¶

Obtiene 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¶: Devuelve si el núcleo está definido en vectores de características de longitud fija o en objetos genéricos. El valor predeterminado es True para la compatibilidad con versiones anteriores.

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