sklearn.gaussian_process.kernels.RationalQuadratic¶
- class sklearn.gaussian_process.kernels.RationalQuadratic¶
Núcleo cuadrático racional (Rational Quadratic kernel).
El núcleo RationalQuadratic puede verse como una mezcla de escalas (una suma infinita) de núcleos RBF con diferentes escalas de longitud características. Está parametrizado por un parámetro de escala de longitud \(l>0\) y un parámetro de mezcla de escalas \(alpha>0\). Sólo la variante isotrópica donde length_scale \(l\) es un escalar es soportada por el momento. El núcleo viene dado por:
\[k(x_i, x_j) = \left( 1 + \frac{d(x_i, x_j)^2 }{ 2\alpha l^2}\right)^{-\alpha}\]donde \(\alpha\) es el parámetro de mezcla de escala (scale mixture parameter), \(l\) es la escala de longitud del núcleo y \(d(\cdot,\cdot)\) es la distancia euclidiana. Para saber cómo configurar los parámetros, ver, por ejemplo, [1].
Más información en el Manual de usuario.
Nuevo en la versión 0.18.
- Parámetros
- length_scalefloat > 0, default=1.0
La escala de longitud del núcleo.
- alphafloat > 0, default=1.0
Parámetro de mezcla de la escala (mixture parameter)
- length_scale_boundspar de flotantes >= 0 o «fixed», default=(1e-5, 1e5)
El límite inferior y superior de “length_scale”. Si se establece como » fixed», “length_scale” no puede cambiarse durante el ajuste de los hiperparámetros.
- alpha_boundspar de flotantes >= 0 o «fixed», default=(1e-5, 1e5)
El límite inferior y superior de “alpha”. Si se establece como «fixed», “alpha” no puede cambiarse durante el ajuste de los hiperparámetros.
- Atributos
boundsDevuelve los límites transformados en logaritmo del theta.
- hyperparameter_alpha
- hyperparameter_length_scale
hyperparametersDevuelve una lista de todas las especificaciones de los hiperparámetros.
n_dimsDevuelve el número de hiperparámetros no fijos del núcleo.
requires_vector_inputDevuelve si el núcleo está definido en vectores de características de longitud fija o en objetos genéricos.
thetaDevuelve los hiperparámetros no fijos (aplanados y transformados en logaritmos).
Referencias
Ejemplos
>>> from sklearn.datasets import load_iris >>> from sklearn.gaussian_process import GaussianProcessClassifier >>> from sklearn.gaussian_process.kernels import Matern >>> X, y = load_iris(return_X_y=True) >>> kernel = RationalQuadratic(length_scale=1.0, alpha=1.5) >>> gpc = GaussianProcessClassifier(kernel=kernel, ... random_state=0).fit(X, y) >>> gpc.score(X, y) 0.9733... >>> gpc.predict_proba(X[:2,:]) array([[0.8881..., 0.0566..., 0.05518...], [0.8678..., 0.0707... , 0.0614...]])
Métodos
Devuelve el núcleo k(X, Y) y opcionalmente su gradiente.
Devuelve un clon de sí mismo con los hiperparámetros dados theta.
Devuelve la diagonal del núcleo k(X, X).
Obtiene los parámetros de este kernel.
Devuelve si el núcleo es estacionario.
Obtiene 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)
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
- 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 kernel.
- 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()¶
Obtiene 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
