最优加权kriging/gaussian过程
OWCK的Python项目详细描述
最优加权聚类kriging/gaussian过程类
==
==
==
该类继承自sklearn库中的gaussian process类
大多数参数都包含在sklearn.gaussian过程中。
请检查sklearn中gaussian过程参数的docstring。
仅新引入的参数如下所述。
要建立的高斯过程
模型的数目。它是owck中的加速因子。
聚类方法:字符串,可选
用于划分数据集的聚类算法。
内置的聚类算法有:
“k均值”、“gmm”、“fuzzy-c均值”、“随机”、“树”
注意,gmm、fuzzy-c均值是模糊聚类算法您可以设置所需的重叠。
tree是一种基于回归树聚类的方法
重叠:float,可选
使用模糊聚类方法时重叠的百分比。
每个聚类都具有相同的大小。
是一个并行的:boolean,可选
一个布尔切换并行模型。如果这是真的,那么
所有底层的高斯过程模型都将并行拟合,
由mpi支持。否则,所有模型都将按顺序进行拟合。
attributes
----
cluster标签:聚类后训练集的聚类标签
cluster:使用的聚类算法。
模型:在每个聚类上构建(拟合)高斯过程模型的列表。
usage
----
示例代码::
从owck import owck
owck_model=owck(cluster_method='tree')
owck_model.fit(x,y)
pred_y,var_y=owck_model.predict(x_new)
[SWKBE15]`bas van stein,王浩,沃吉泰克·科瓦尔奇克,托马斯·贝克和迈克尔·艾默里奇。大数据回归的最优加权聚类kriging方法。在2015年国际开发协会第14届国际研讨会上,第310-321页,2015年`
http://link.springer.com/chapter/10.1007%2f978-3-319-24465-5嫒27#
==
==
==
该类继承自sklearn库中的gaussian process类
大多数参数都包含在sklearn.gaussian过程中。
请检查sklearn中gaussian过程参数的docstring。
仅新引入的参数如下所述。
要建立的高斯过程
模型的数目。它是owck中的加速因子。
聚类方法:字符串,可选
用于划分数据集的聚类算法。
内置的聚类算法有:
“k均值”、“gmm”、“fuzzy-c均值”、“随机”、“树”
注意,gmm、fuzzy-c均值是模糊聚类算法您可以设置所需的重叠。
tree是一种基于回归树聚类的方法
重叠:float,可选
使用模糊聚类方法时重叠的百分比。
每个聚类都具有相同的大小。
是一个并行的:boolean,可选
一个布尔切换并行模型。如果这是真的,那么
所有底层的高斯过程模型都将并行拟合,
由mpi支持。否则,所有模型都将按顺序进行拟合。
attributes
----
cluster标签:聚类后训练集的聚类标签
cluster:使用的聚类算法。
模型:在每个聚类上构建(拟合)高斯过程模型的列表。
usage
----
示例代码::
从owck import owck
owck_model=owck(cluster_method='tree')
owck_model.fit(x,y)
pred_y,var_y=owck_model.predict(x_new)
[SWKBE15]`bas van stein,王浩,沃吉泰克·科瓦尔奇克,托马斯·贝克和迈克尔·艾默里奇。大数据回归的最优加权聚类kriging方法。在2015年国际开发协会第14届国际研讨会上,第310-321页,2015年`
http://link.springer.com/chapter/10.1007%2f978-3-319-24465-5嫒27#