核中心化器#

class sklearn.preprocessing.KernelCenterer[source]#

对任意核矩阵 \(K\) 进行中心化。

定义一个核 \(K\)，使得

\[K(X, Y) = \phi(X) . \phi(Y)^{T}\]

\(\phi(X)\) 是将 \(X\) 的行映射到希尔伯特空间的函数，\(K\) 的形状为 (n_samples, n_samples)。

此类允许计算 \(\tilde{K}(X, Y)\)，使得

\[\tilde{K(X, Y)} = \tilde{\phi}(X) . \tilde{\phi}(Y)^{T}\]

\(\tilde{\phi}(X)\) 是希尔伯特空间中中心化的映射数据。

KernelCenterer 在不显式计算映射 \(\phi(\cdot)\) 的情况下对特征进行中心化。处理代数计算（例如 KernelPCA 的特征分解）时，有时需要使用中心化的核。

更多信息请阅读 用户指南。

属性：
K_fit_rows_ndarray 形状 (n_samples,)

核矩阵每一列的平均值。

K_fit_all_float

核矩阵的平均值。

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_ndarray 形状 (n_features_in_,)

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 版本新增。

另请参见

sklearn.kernel_approximation.Nystroem

使用训练数据子集逼近核映射。

参考文献

示例

>>> from sklearn.preprocessing import KernelCenterer
>>> from sklearn.metrics.pairwise import pairwise_kernels
>>> X = [[ 1., -2.,  2.],
...      [ -2.,  1.,  3.],
...      [ 4.,  1., -2.]]
>>> K = pairwise_kernels(X, metric='linear')
>>> K
array([[  9.,   2.,  -2.],
       [  2.,  14., -13.],
       [ -2., -13.,  21.]])
>>> transformer = KernelCenterer().fit(K)
>>> transformer
KernelCenterer()
>>> transformer.transform(K)
array([[  5.,   0.,  -5.],
       [  0.,  14., -14.],
       [ -5., -14.,  19.]])
fit(K, y=None)[source]#

拟合 KernelCenterer。

参数：
Kndarray 形状 (n_samples, n_samples)

核矩阵。

yNone

忽略。

返回：
selfobject

返回实例本身。

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

拟合数据，然后转换它。

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：
Xarray-like 形状 (n_samples, n_features)

输入样本。

yarray-like 形状 (n_samples,) 或 (n_samples, n_outputs), 默认值=None

目标值（无监督转换则为 None）。

**fit_paramsdict

附加拟合参数。

返回：
X_newndarray 数组 形状 (n_samples, n_features_new)

转换后的数组。

get_feature_names_out(input_features=None)[source]#

获取转换后的特征名称。

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_featuresarray-like of str or None, default=None

仅用于使用在 fit 中看到的名称验证特征名称。

返回：
feature_names_outndarray of str objects

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, default=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

参数名称映射到其值。

set_output(*, transform=None)[source]#

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": 变换器的默认输出格式

  • "pandas": DataFrame 输出

  • "polars": Polars 输出

  • None: 变换配置保持不变

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。

set_transform_request(*, copy: bool | None | str = '$UNCHANGED$') → KernelCenterer[source]#

请求传递给transform方法的元数据。

请注意，只有在enable_metadata_routing=True时（参见sklearn.set_config）此方法才相关。请参见用户指南，了解路由机制的工作原理。

每个参数的选项为：

  • True: 请求元数据，如果提供则传递给transform。如果未提供元数据，则忽略请求。

  • False: 不请求元数据，元估计器不会将其传递给transform。

  • None: 不请求元数据，如果用户提供元数据，元估计器将引发错误。

  • str: 元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而无需更改其他参数的请求。

1.3版本新增。

注意

只有当此估计器用作元估计器的子估计器时（例如，在Pipeline中使用），此方法才相关。否则，它无效。

参数：
copystr, True, False, 或 None, default=sklearn.utils.metadata_routing.UNCHANGED

transform中copy参数的元数据路由。

返回：
selfobject

更新后的对象。

transform(K, copy=True)[source]#

中心核矩阵。

参数：
K形状为 (n_samples1, n_samples2) 的ndarray

核矩阵。

copybool, default=True

设置为False以执行就地计算。

返回：
K_new形状为 (n_samples1, n_samples2) 的ndarray

返回实例本身。