PolynomialCountSketch#
- 类 sklearn.kernel_approximation.PolynomialCountSketch(*, gamma=1.0, degree=2, coef0=0, n_components=100, random_state=None)[源码]#
通过 Tensor Sketch 进行多项式核近似。
实现了 Tensor Sketch，它通过使用快速傅里叶变换（FFT）高效计算向量与其自身外积的 Count Sketch 来近似多项式核的特征映射。
K(X, Y) = (gamma * <X, Y> + coef0)^degree
更多信息请参阅用户指南。
0.24 版本新增。
- 参数:
- gamma浮点型，默认值=1.0
将要近似其特征映射的多项式核的参数。
- degree整型，默认值=2
将要近似其特征映射的多项式核的次数。
- coef0整型，默认值=0
将要近似其特征映射的多项式核的常数项。
- n_components整型，默认值=100
输出特征空间的维度。通常，为了获得良好的性能，
n_components应大于输入样本中的特征数量。最佳的分数/运行时间平衡通常在n_components= 10 *n_features左右实现，但这取决于所使用的具体数据集。- random_state整型、RandomState 实例，默认值=None
确定 indexHash 和 bitHash 初始化的随机数生成。传入一个整型值可确保多次函数调用之间结果的可重现性。请参阅词汇表。
- 属性:
- indexHash_形状为 (degree, n_features) 的 ndarray，数据类型=int64
范围 [0, n_components) 内的索引数组，用于表示 Count Sketch 计算中 2-wise 独立的哈希函数。
- bitHash_形状为 (degree, n_features) 的 ndarray，数据类型=float32
带有 {+1, -1} 中随机条目的数组，用于表示 Count Sketch 计算中 2-wise 独立的哈希函数。
- n_features_in_整型
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的所有特征名称均为字符串时定义。1.0 版本新增。
另请参阅
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“偏斜卡方”核的近似特征映射。
sklearn.metrics.pairwise.kernel_metrics内置核列表。
示例
>>> from sklearn.kernel_approximation import PolynomialCountSketch >>> from sklearn.linear_model import SGDClassifier >>> X = [[0, 0], [1, 1], [1, 0], [0, 1]] >>> y = [0, 0, 1, 1] >>> ps = PolynomialCountSketch(degree=3, random_state=1) >>> X_features = ps.fit_transform(X) >>> clf = SGDClassifier(max_iter=10, tol=1e-3) >>> clf.fit(X_features, y) SGDClassifier(max_iter=10) >>> clf.score(X_features, y) 1.0
有关更详细的用法示例，请参阅使用多项式核近似进行可伸缩学习
- fit(X, y=None)[源码]#
使用 X 拟合模型。
初始化内部变量。此方法不需要有关数据分布的信息，因此我们只关心 X 中的特征数量。
- 参数:
- X{类数组对象, 稀疏矩阵}，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类数组对象，形状为 (n_samples,) 或 (n_samples, n_outputs)，默认值=None
目标值（无监督转换时为 None）。
- 返回:
- self对象
返回实例本身。
- fit_transform(X, y=None, **fit_params)[源码]#
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类数组对象，形状为 (n_samples, n_features)
输入样本。
- y类数组对象，形状为 (n_samples,) 或 (n_samples, n_outputs)，默认值=None
目标值（无监督转换时为 None）。
- **fit_params字典
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)[源码]#
获取转换的输出特征名称。
输出特征名称将以小写类名作为前缀。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_features类数组对象，包含字符串或 None，默认值=None
仅用于根据
fit中看到的名称验证特征名称。
- 返回:
- feature_names_out由字符串对象组成的 ndarray
转换后的特征名称。
- get_metadata_routing()[源码]#
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
一个包含路由信息的
MetadataRequest对象。
- get_params(deep=True)[源码]#
获取此估计器的参数。
- 参数:
- deep布尔型，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:
- params字典
参数名称及其对应的值。
- set_output(*, transform=None)[源码]#
设置输出容器。
有关如何使用此 API 的示例，请参阅介绍 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: 转换配置未更改
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。
