`sklearn.gaussian_process.kernels`.Sum¶

class sklearn.gaussian_process.kernels.Sum¶

El núcleo Sum toma dos núcleos \(k_1\) y \(k_2\) y los combina por medio de

\[k_{sum}(X, Y) = k_1(X, Y) + k_2(X, Y)\]

Nota que el método mágico __add__ está anulado, por lo que Sum(RBF(), RBF()) es equivalente a utilizar el operador + con RBF() + RBF().

Más información en Manual de usuario.

Nuevo en la versión 0.18.

Parámetros

k1Núcleo: El primer núcleo de base del núcleo de la suma
k2Núcleo: El segundo núcleo base del núcleo de la suma

Atributos

bounds: Devuelve los límites transformados en logaritmo de la theta.
hyperparameters: Devuelve una lista de todos los hiperparámetros.
n_dims: Devuelve el número de hiperparámetros no fijos del núcleo.
requires_vector_input: Devuelve si el núcleo es estacionario.
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, Sum, ConstantKernel
>>> X, y = make_friedman2(n_samples=500, noise=0, random_state=0)
>>> kernel = Sum(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)

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

Xarray-like de forma (n_samples_X, n_features) o lista de objeto: Argumento izquierdo del núcleo devuelto k(X, Y)
Yarray-like de forma (n_samples_X, n_features) o lista de objetos, por defecto = 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.

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 de la 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 objeto: Argumento para el núcleo.

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

parámetrosdict: Nombres de parámetros mapeados a sus valores.

property hyperparameters¶: Devuelve una lista de todos 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 es estacionario.

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 suelen ser 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