RBFSampler#

class sklearn.kernel_approximation.RBFSampler(*, gamma=1.0, n_components=100, random_state=None)[source]#

使用随机傅里叶特征近似 RBF 核特征映射。

它实现了 Random Kitchen Sinks [1] 的一个变体。

在用户指南中阅读更多内容。

参数:
gamma‘scale’ 或 float, 默认值=1.0

RBF 核的参数: exp(-gamma * x^2)。如果传入 gamma='scale'，则使用 1 / (n_features * X.var()) 作为 gamma 的值。

1.2 版本新增: 选项 "scale" 在 1.2 版本中添加。

n_componentsint, 默认值=100

每个原始特征的蒙特卡罗样本数量。等于计算特征空间的维度。

random_stateint, RandomState 实例或 None, 默认值=None

伪随机数生成器，用于控制在拟合训练数据时随机权重和随机偏移的生成。传入一个整数以实现在多次函数调用中可重现的输出。请参阅术语表。

属性:
random_offset_形状为 (n_components,) 的 ndarray，dtype={np.float64, np.float32}

用于计算特征空间 n_components 维度中投影的随机偏移量。

random_weights_形状为 (n_features, n_components) 的 ndarray，dtype={np.float64, np.float32}

从 RBF 核的傅里叶变换中抽取的随机投影方向。

n_features_in_int

在拟合 (fit) 期间见到的特征数量。

0.24 版本新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

在拟合 (fit) 期间见到的特征名称。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

用于可加 chi2 核的近似特征映射。

Nystroem

使用训练数据的子集近似核映射。

PolynomialCountSketch

通过 Tensor Sketch 进行多项式核近似。

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。

备注

参见 A. Rahimi 和 Benjamin Recht 的《Random Features for Large-Scale Kernel Machines》。

[1] A. Rahimi 和 Benjamin Recht 的《Weighted Sums of Random Kitchen Sinks: Replacing minimization with randomization in learning》。(https://people.eecs.berkeley.edu/~brecht/papers/08.rah.rec.nips.pdf)

示例

>>> from sklearn.kernel_approximation import RBFSampler
>>> from sklearn.linear_model import SGDClassifier
>>> X = [[0, 0], [1, 1], [1, 0], [0, 1]]
>>> y = [0, 0, 1, 1]
>>> rbf_feature = RBFSampler(gamma=1, random_state=1)
>>> X_features = rbf_feature.fit_transform(X)
>>> clf = SGDClassifier(max_iter=5, tol=1e-3)
>>> clf.fit(X_features, y)
SGDClassifier(max_iter=5)
>>> clf.score(X_features, y)
1.0
fit(X, y=None)[source]#

使用 X 拟合模型。

根据 n_features 对随机投影进行采样。

参数:
X{array-like, 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。

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

目标值（无监督变换为 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 array-like

输入样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的 array-like, 默认值=None

目标值（无监督变换为 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_featuresstr 的 array-like 或 None, 默认值=None

仅用于验证与 fit 中看到的名称一致的特征名称。

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]#

获取此评估器的参数。

参数:
deepbool, 默认值=True

如果为 True，将返回此评估器及其包含的作为评估器的子对象的参数。

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: 转换配置未更改

1.4 版本新增: 添加了 "polars" 选项。

返回:
self评估器实例

评估器实例。

set_params(**params)[source]#

设置此评估器的参数。

该方法适用于简单评估器以及嵌套对象（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

评估器参数。

返回:
self评估器实例

评估器实例。

transform(X)[source]#

将近似特征映射应用于 X。

参数:
X{array-like, 稀疏矩阵}, 形状 (n_samples, n_features)

新数据，其中 n_samples 是样本数量，n_features 是特征数量。

返回:
X_newarray-like, 形状 (n_samples, n_components)

返回实例本身。