Python 在scikit学习中，如果高斯过程回归的恒常核值是固定的，它会有影响吗？

在scikit learn中，

GaussianProcessRegressor

在其参数中包含一个内核和用于其超参数的优化器。 我知道如果优化器设置为

None

，或者如果内核的超参数设置为

“fixed”

，那么它们就不能更改

scikit学习中GPR的默认内核是

ConstantKernel（1.0，常量值\u bounds=“fixed”）*RBF（1.0，长度\u scale\u bounds=“fixed”）

。我假设常量内核在这里有一个用途，但根据我的理解，它只能是1，因此没有任何效果

我的问题是：默认内核和简单的RBF（1.0，length\u scale\u bounds=“fixed”）内核之间有什么实际的区别吗？

ConstantKernel（1.0，constant\u value\u bounds=“fixed”）*RBF（1.0，length\u scale\u bounds=“fixed”）

不是scikit learn或任何其他库中的默认内核，但它被广泛使用，因此我们可以将其视为违约。在GP中，我们不将任何内核视为默认内核（源代码：）

关于你的问题，RBF核的方程如下：

    part1 = sigma^2
    part2 = exp(((x1-x2)^2)/l^2)
    RBF(x1, x2) =  part1 * part2

这里，

l

是长度刻度，

sigma^2

是方差超参数。其他实现，比如GPy，直接将

sigma

和

l

作为内核的参数。但是，scikit learn选择了不同的方式

在sklearn中，

ConstantKernel（）

正在建模

part1

，

RBF（）

正在建模

part2

---

因此，如果我们在两个部分中都使用“fixed”参数，则没有实际的区别，但是如果它们是可变的，那么它们就不同了，正如我试图在上面描述的那样。

很抱歉，我指的是scikit learn中的默认内核，而不是一般的内核。我刚刚编辑了我的帖子，使之更清晰。那么我们有相同的结论吗？给定

'fixed'

参数，一个

RBF（1.0，length\u scale\u bounds=“fixed”）

将等同于默认内核？是的，您可以用数字检查。