Class: sklearn.gaussian_process.

GaussianProcessClassifier

Cú pháp: class sklearn.gaussian_process.GaussianProcessClassifier(kernel=None, *, optimizer =

'fmin_l_bfgs_b', n_restarts_optimizer = 0, max_iter_predict = 100, warm_start = False, copy_X_train =
True, random_state = None, multi_class = 'one_vs_rest', n_jobs = None)

Các tham số (parameters) quan trọng:

 Kernel: kernel instance, default=None

Kernel chỉ hàm hiệp phương sai của GP, được sử dụng để tính toán ma trận tương tự (similarity
matrix) giữa các điểm dữ liệu và được sử dụng để dự đoán các nhãn của dữ liệu mới. Nếu None
được truyền vào, kernel “1.0 * RBF(1.0)” được sử dụng làm mặc định. Lưu ý rằng các siêu tham
số của kernel được tối ưu hóa trong quá trình điều chỉnh.
 n_restarts_optimizer: int, default=0
Số lần khởi động lại trình tối ưu hóa để tìm các tham số của nhân giúp tối đa hóa khả năng cận
biên của log. Lần chạy đầu tiên của trình tối ưu hóa được thực hiện từ các tham số ban đầu của
kernel, các tham số còn lại (nếu có) từ thống nhất nhật ký được lấy mẫu ngẫu nhiên từ khoảng
của các giá trị theta được phép. Lưu ý rằng n_restarts_optimizer=0 ngụ ý rằng một lần chạy đã
được thực hiện.
 max_iter_predict: int, default=100
Số lần lặp lại tối đa trong phương pháp của Newton để tính gần đúng nghiệm trong khi dự đoán.
Các giá trị nhỏ hơn sẽ giảm thời gian tính toán với chi phí là kết quả kém hơn.
 multi_class: {'one_vs_rest', 'one_vs_one'}, default='one_vs_rest'
Chỉ định cách các vấn đề phân loại nhiều lớp (multi-class) được xử lý. Được hỗ trợ gồm
‘one_vs_rest’ và ‘one_vs_one’. Trong 'one_vs_rest', một bộ phân loại Gaussian process nhị phân
được trang bị cho mỗi lớp (class), được đào tạo để tách lớp này khỏi phần còn lại. Trong
'one_vs_one', một bộ phân loại quy trình Gaussian nhị phân được trang bị cho mỗi cặp lớp,
được đào tạo để phân tách hai lớp này. Các dự đoán của các bộ dự đoán nhị phân này được kết
hợp thành các dự đoán nhiều lớp. Lưu ý rằng 'one_vs_one' không hỗ trợ dự đoán ước tính xác
suất.

Các methods quan trọng:

 fit(X, y): Chỉnh phù hợp mô hình phân loại Gaussian process.
 predict(X): Thực hiện phân loại trên một mảng các vector kiểm tra (test) X.
 score(X, y[, sample_weight]): Trả về giá trị độ chính xác trung bình của tập test X và label y.