AdditiveChi2Sampler#

class sklearn.kernel_approximation.AdditiveChi2Sampler(*, sample_steps=2, sample_interval=None)[source]#

加性卡方核的近似特征映射。

通过在规则间隔对核特征的傅里叶变换进行采样来实现。

由于要近似的核是加性的，因此输入向量的分量可以单独处理。原始空间中的每个条目都会转换为 2*sample_steps-1 个特征，其中 sample_steps 是该方法的一个参数。sample_steps 的典型值包括 1、2 和 3。

可以计算特定数据范围内的最佳采样间隔（参见参考文献）。默认值应是合理的。

在用户指南中阅读更多内容。

参数:

sample_stepsint, 默认值=2: 指定（复数）采样点的数量。
sample_intervalfloat, 默认值=None: 采样间隔。当 sample_steps 不在 {1,2,3} 中时必须指定。

属性:

n_features_in_int: 在拟合（fit）期间看到的特征数量。

在 0.24 版本中新增。
feature_names_in_ndarray，形状为 (n_features_in_,): 在拟合（fit）期间看到的特征名称。仅当 X 的所有特征名称均为字符串时才定义。

在 1.0 版本中新增。

另请参阅

SkewedChi2Sampler: 卡方核非加性变体的傅里叶近似。
sklearn.metrics.pairwise.chi2_kernel: 精确的卡方核。
sklearn.metrics.pairwise.additive_chi2_kernel: 精确的加性卡方核。

备注

该估计器近似的加性卡方核版本与 metric.additive_chi2 计算的版本略有不同。

该估计器是无状态的，不需要拟合。但是，我们建议调用 fit_transform 而不是 transform，因为参数验证仅在 fit 中执行。

参考文献

参见 “Efficient additive kernels via explicit feature maps” A. Vedaldi 和 A. Zisserman, Pattern Analysis and Machine Intelligence, 2011

示例

>>> from sklearn.datasets import load_digits
>>> from sklearn.linear_model import SGDClassifier
>>> from sklearn.kernel_approximation import AdditiveChi2Sampler
>>> X, y = load_digits(return_X_y=True)
>>> chi2sampler = AdditiveChi2Sampler(sample_steps=2)
>>> X_transformed = chi2sampler.fit_transform(X, y)
>>> clf = SGDClassifier(max_iter=5, random_state=0, tol=1e-3)
>>> clf.fit(X_transformed, y)
SGDClassifier(max_iter=5, random_state=0)
>>> clf.score(X_transformed, y)
0.9499...

fit(X, y=None)[source]#

仅验证估计器的参数。

此方法允许：(i) 验证估计器的参数；(ii) 与 scikit-learn 转换器 API 保持一致。

参数:

X类数组, 形状 (n_samples, n_features): 训练数据，其中 n_samples 是样本数量，n_features 是特征数量。
y类数组, 形状 (n_samples,) 或 (n_samples, n_outputs), 默认值=None: 目标值（对于无监督转换，设置为 None）。

返回:

self对象: 返回转换器实例。

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

拟合数据，然后进行转换。

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类数组, 形状 (n_samples, n_features): 输入样本。
y类数组, 形状 (n_samples,) 或 (n_samples, n_outputs), 默认值=None: 目标值（对于无监督转换，设置为 None）。
**fit_paramsdict: 额外的拟合参数。

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]#

获取转换的输出特征名称。

参数:

input_features类数组（str 类型）或 None, 默认值=None: 仅用于验证特征名称与在 fit 中看到的名称是否一致。

返回:

feature_names_outndarray (str 类型对象): 转换后的特征名称。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查阅用户指南以了解路由机制的工作原理。

返回:

routingMetadataRequest: 封装路由信息的 MetadataRequest。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:

deep布尔值, 默认值=True: 如果为 True，将返回此估计器及其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。

有关如何使用此 API 的示例，请参阅Introducing the set_output API。

参数:

transform{“default”, “pandas”, “polars”}, 默认值=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

版本 1.4 新增: 添加了 "polars" 选项。

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。

该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:

**paramsdict: 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): 训练数据，其中 n_samples 是样本数量，n_features 是特征数量。

返回:

X_new{ndarray, 稀疏矩阵}, 形状 = (n_samples, n_features * (2*sample_steps - 1)): 返回值是数组还是稀疏矩阵取决于输入 X 的类型。

AdditiveChi2Sampler#

本页