偏斜χ²采样器#
- class sklearn.kernel_approximation.SkewedChi2Sampler(*, skewedness=1.0, n_components=100, random_state=None)[source]#
“偏斜χ²”核的近似特征映射。
更多信息请参见用户指南。
- 参数：
- skewednessfloat, default=1.0
核的“偏斜度”参数。需要交叉验证。
- n_componentsint, default=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数。
- random_stateint, RandomState instance or None, default=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 词汇表。
- 属性：
- random_weights_ndarray of shape (n_features, n_components)
权重数组，采样自割线双曲线分布，用于对数据的对数进行线性变换。
- random_offset_形状为 (n_features, n_components) 的ndarray
将添加到数据中的偏差项。它在 0 到 2*pi 之间均匀分布。
- n_features_in_int
在拟合过程中看到的特征数量。
0.24 版本中添加。
- feature_names_in_形状为 (
n_features_in_,) 的ndarray 在拟合过程中看到的特征名称。只有当
X的特征名称全部为字符串时才定义。1.0 版本中添加。
另请参见
AdditiveChi2Sampler加性卡方核的近似特征映射。
Nystroem使用训练数据的子集近似核映射。
RBFSampler使用随机傅里叶特征近似 RBF 核特征映射。
SkewedChi2Sampler“偏斜χ²”核的近似特征映射。
sklearn.metrics.pairwise.chi2_kernel精确的卡方核。
sklearn.metrics.pairwise.kernel_metrics内置核的列表。
参考文献
参见 Fuxin Li、Catalin Ionescu 和 Cristian Sminchisescu 撰写的“用于偏斜乘法直方图核的随机傅里叶逼近”。
示例
>>> from sklearn.kernel_approximation import SkewedChi2Sampler >>> from sklearn.linear_model import SGDClassifier >>> X = [[0, 0], [1, 1], [1, 0], [0, 1]] >>> y = [0, 0, 1, 1] >>> chi2_feature = SkewedChi2Sampler(skewedness=.01, ... n_components=10, ... random_state=0) >>> X_features = chi2_feature.fit_transform(X, y) >>> clf = SGDClassifier(max_iter=10, tol=1e-3) >>> clf.fit(X_features, y) SGDClassifier(max_iter=10) >>> clf.score(X_features, y) 1.0
- fit(X, y=None)[source]#
使用 X 拟合模型。
根据 n_features 采样随机投影。
- 参数：
- X类似数组，形状为 (n_samples, n_features)
训练数据，其中
n_samples是样本数，n_features是特征数。- y类似数组，形状为 (n_samples,) 或 (n_samples, n_outputs)，默认值为 None
目标值（对于无监督变换则为 None）。
- 返回:
- self对象
返回实例本身。
- fit_transform(X, y=None, **fit_params)[source]#
拟合数据，然后对其进行转换。
使用可选参数
fit_params将转换器拟合到X和y，并返回X的转换版本。- 参数：
- X形状为 (n_samples, n_features) 的类似数组
输入样本。
- y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类似数组，默认为 None
目标值（对于无监督变换则为 None）。
- **fit_paramsdict
其他拟合参数。
- 返回:
- X_new形状为 (n_samples, n_features_new) 的ndarray 数组
转换后的数组。
- get_feature_names_out(input_features=None)[source]#
获取变换的输出特征名称。
输出的特征名称将以小写的类名作为前缀。例如，如果转换器输出 3 个特征，则输出的特征名称为：
["class_name0", "class_name1", "class_name2"]。- 参数：
- input_features字符串的类似数组或 None，默认为 None
仅用于使用在
fit中看到的名称验证特征名称。
- 返回:
- feature_names_out字符串对象的ndarray
转换后的特征名称。
- get_metadata_routing()[source]#
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)[source]#
获取此估计器的参数。
- 参数：
- deepbool，默认为 True
如果为 True，则将返回此估计器和包含的作为估计器的子对象的参数。
- 返回:
- paramsdict
参数名称与其值的映射。
- set_output(*, transform=None)[source]#
设置输出容器。
参见 set_output API 介绍，了解如何使用该 API 的示例。
- 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。