RBFSampler#

class sklearn.kernel_approximation.RBFSampler(*, gamma=1.0, n_components=100, random_state=None)[source]#

使用随机傅里叶特征逼近RBF核特征映射。

它实现了随机厨房水槽的一个变体[1]。

在用户指南中了解更多信息。

参数：
gamma‘scale’ 或浮点数，默认为1.0

RBF核的参数：exp(-gamma * x^2)。如果传递gamma='scale'，则它使用1 / (n_features * X.var())作为gamma的值。

1.2 版本新增： 在 1.2 版本中添加了 "scale" 选项。

n_componentsint，默认值=100

每个原始特征的蒙特卡洛样本数。等于计算出的特征空间的维度。

random_stateint、RandomState 实例或 None，默认值=None

伪随机数生成器，用于控制拟合训练数据时随机权重和随机偏移的生成。传递一个整数可在多次函数调用中获得可重复的输出。参见 术语表。

属性:
random_offset_形状为 (n_components,) 的 ndarray，dtype={np.float64, np.float32}

用于计算特征空间 n_components 维投影的随机偏移。

random_weights_形状为 (n_features, n_components) 的 ndarray，dtype={np.float64, np.float32}

从 RBF 核的傅里叶变换中抽取的随机投影方向。

n_features_in_int

在 拟合过程中看到的特征数量。

0.24 版本新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

在 拟合过程中看到的特征名称。仅当 X 的特征名称全部为字符串时才定义。

1.0 版本新增。

另请参见

AdditiveChi2Sampler

加性 chi2 核的近似特征映射。

Nystroem

使用训练数据子集近似核映射。

PolynomialCountSketch

通过张量草图进行多项式核近似。

SkewedChi2Sampler

“偏斜卡方”核的近似特征映射。

sklearn.metrics.pairwise.kernel_metrics

内置核的列表。

备注

参见 A. Rahimi 和 Benjamin Recht 的论文“用于大规模核机器的随机特征”。

[1] A. Rahimi 和 Benjamin Recht 的论文“随机厨房水槽的加权和：用随机化代替学习中的最小化”。 (https://people.eecs.berkeley.edu/~brecht/papers/08.rah.rec.nips.pdf)

示例

>>> from sklearn.kernel_approximation import RBFSampler
>>> from sklearn.linear_model import SGDClassifier
>>> X = [[0, 0], [1, 1], [1, 0], [0, 1]]
>>> y = [0, 0, 1, 1]
>>> rbf_feature = RBFSampler(gamma=1, random_state=1)
>>> X_features = rbf_feature.fit_transform(X)
>>> clf = SGDClassifier(max_iter=5, tol=1e-3)
>>> clf.fit(X_features, y)
SGDClassifier(max_iter=5)
>>> clf.score(X_features, y)
1.0
fit(X, y=None)[源代码]#

使用 X 拟合模型。

根据 n_features 采样随机投影。

参数：
X{类数组、稀疏矩阵}，形状 (n_samples, n_features)

训练数据，其中 n_samples 是样本数，n_features 是特征数。

y类数组，形状 (n_samples,) 或 (n_samples, n_outputs)，默认值=None

目标值（对于无监督变换为 None）。

返回:
self对象

返回实例本身。

fit_transform(X, y=None, **fit_params)[源代码]#

拟合数据，然后变换它。

使用可选参数 fit_params 将变换器拟合到 X 和 y，并返回 X 的变换版本。

参数：
X形状为 (n_samples, n_features) 的类数组

输入样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组，默认值=None

目标值（对于无监督变换为 None）。

**fit_paramsdict

附加拟合参数。

返回:
X_new形状为 (n_samples, n_features_new) 的 ndarray 数组

变换后的数组。

get_feature_names_out(input_features=None)[源代码]#

获取变换的输出特征名称。

输出特征名称将以小写的类名作为前缀。例如，如果变换器输出 3 个特征，则输出的特征名称为：["class_name0", "class_name1", "class_name2"]。

参数：
input_featuresstr 的类数组或 None，默认值=None

仅用于使用在 fit 中看到的名称验证特征名称。

返回:
feature_names_outstr 对象的 ndarray

变换后的特征名称。

get_metadata_routing()[源代码]#

获取此对象的元数据路由。

请查看 用户指南，了解路由机制的工作原理。

返回:
routingMetadataRequest

一个 MetadataRequest 封装了路由信息。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数：
deepbool，默认值=True

如果为 True，将返回此估计器和作为估计器的包含子对象的参数。

返回:
paramsdict

参数名称映射到它们的值。

set_output(*, transform=None)[源代码]#

设置输出容器。

关于如何使用该 API 的示例，请参见介绍 set_output API。

参数：
transform{"default", "pandas", "polars"}, default=None

配置transform和fit_transform的输出。

  • "default"：转换器的默认输出格式

  • "pandas"：DataFrame 输出

  • "polars"：Polars 输出

  • None：转换配置不变

1.4版本新增： "polars" 选项已添加。

返回:
self估计器实例

估计器实例。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单的估计器以及嵌套对象（例如Pipeline）。后者具有<component>__<parameter>形式的参数，因此可以更新嵌套对象的每个组件。

参数：
**params字典

估计器参数。

返回:
self估计器实例

估计器实例。

transform(X)[source]#

将近似特征映射应用于 X。

参数：
X{类数组、稀疏矩阵}，形状 (n_samples, n_features)

新数据，其中n_samples是样本数，n_features是特征数。

返回:
X_new类数组，形状 (n_samples, n_components)

返回实例本身。