Nystroem#

class sklearn.kernel_approximation.Nystroem(kernel='rbf', *, gamma=None, coef0=None, degree=None, kernel_params=None, n_components=100, random_state=None, n_jobs=None)[source]#

使用训练数据的子集近似核映射。

使用数据的子集作为基础，为任意核构造近似特征映射。

详情请参阅用户指南。

0.13 版本新增。

参数:
kernelstr 或 callable, 默认为 'rbf'

要近似的核映射。可调用对象应接受两个参数以及作为 kernel_params 传递给此对象的关键字参数，并应返回一个浮点数。

gammafloat, 默认为 None

RBF、拉普拉斯、多项式、指数chi2和sigmoid核的Gamma参数。默认值的解释取决于核；请参阅 sklearn.metrics.pairwise 的文档。其他核会忽略此参数。

coef0float, 默认为 None

多项式和sigmoid核的零系数。其他核会忽略此参数。

degreefloat, 默认为 None

多项式核的次数。其他核会忽略此参数。

kernel_paramsdict, 默认为 None

作为可调用对象传递的核函数的额外参数（关键字参数）。

n_componentsint, 默认为 100

要构造的特征数量。将使用多少个数据点来构造映射。

random_stateint, RandomState 实例或 None, 默认为 None

伪随机数生成器，用于控制从训练数据中进行无放回均匀抽样以构造基核，抽样数量为 n_components。传入一个整数可以在多次函数调用中获得可重现的输出。请参阅术语表。

n_jobsint, 默认为 None

用于计算的作业数。通过将核矩阵分解为 n_jobs 个均匀切片并并行计算来实现。

None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有处理器。有关更多详细信息，请参阅术语表。

0.24 版本新增。

属性:
components_形状为 (n_components, n_features) 的 ndarray

用于构造特征映射的训练点子集。

component_indices_形状为 (n_components) 的 ndarray

训练集中 components_ 的索引。

normalization_形状为 (n_components, n_components) 的 ndarray

嵌入所需的归一化矩阵。 components_ 上核矩阵的平方根。

n_features_in_int

在 fit 期间看到的特征数量。

0.24 版本新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

在 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。

1.0 版本新增。

另请参阅

AdditiveChi2Sampler

用于加性 chi2 核的近似特征映射。

PolynomialCountSketch

通过张量草图的多项式核近似。

RBFSampler

使用随机傅里叶特征近似 RBF 核特征映射。

SkewedChi2Sampler

用于“偏斜卡方”核的近似特征映射。

sklearn.metrics.pairwise.kernel_metrics

内置核列表。

参考文献

  • Williams, C.K.I. and Seeger, M. “使用 Nystroem 方法加速核机器”, 2001 年神经信息处理系统进展

  • T. Yang, Y. Li, M. Mahdavi, R. Jin and Z. Zhou “Nystroem 方法与随机傅里叶特征：理论与实证比较”, 2012 年神经信息处理系统进展

示例

>>> from sklearn import datasets, svm
>>> from sklearn.kernel_approximation import Nystroem
>>> X, y = datasets.load_digits(n_class=9, return_X_y=True)
>>> data = X / 16.
>>> clf = svm.LinearSVC()
>>> feature_map_nystroem = Nystroem(gamma=.2,
...                                 random_state=1,
...                                 n_components=300)
>>> data_transformed = feature_map_nystroem.fit_transform(data)
>>> clf.fit(data_transformed, y)
LinearSVC()
>>> clf.score(data_transformed, y)
0.9987...
fit(X, y=None)[source]#

将估计器拟合到数据。

对训练点子集进行采样，计算这些点的核并计算归一化矩阵。

参数:
X类数组，形状为 (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，形状为 (n_samples,) 或 (n_samples, n_outputs), 默认为 None

目标值（无监督转换时为 None）。

返回:
selfobject

返回实例本身。

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, 默认为 None

目标值（无监督转换时为 None）。

**fit_paramsdict

额外的拟合参数。

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]#

获取转换的输出特征名称。

输出特征名称将以小写类名前缀。例如，如果转换器输出3个特征，则输出特征名称为：["class_name0", "class_name1", "class_name2"]。

参数:
input_featuresstr 或 None 的类数组, 默认为 None

仅用于验证特征名称与 fit 中看到的名称是否一致。

返回:
feature_names_outstr 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。

请查看用户指南以了解路由机制的工作原理。

返回:
routingMetadataRequest

一个封装了路由信息的 MetadataRequest。

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，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

参数名称及其对应的值。

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

设置输出容器。

有关如何使用 API 的示例，请参阅set_output API 介绍。

参数:
transform{“default”, “pandas”, “polars”}, 默认为 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：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]#

将特征映射应用于 X。

使用训练点与 X 之间的核计算近似特征映射。

参数:
X形状为 (n_samples, n_features) 的类数组

要转换的数据。

返回:
X_transformed形状为 (n_samples, n_components) 的 ndarray

转换后的数据。