SkewedChi2Sampler#

类 sklearn.kernel_approximation.SkewedChi2Sampler(*, skewedness=1.0, n_components=100, random_state=None)[source]#

“偏斜卡方”核的近似特征映射。

详情请参阅用户指南。

参数:

skewedness浮点数, 默认值=1.0: 核的“偏斜度”参数。需要进行交叉验证。
n_components整型, 默认值=100: 每个原始特征的蒙特卡洛样本数量。等于计算出的特征空间的维度。
random_state整型，RandomState 实例或 None, 默认值=None: 伪随机数生成器，用于在拟合训练数据时控制随机权重和随机偏移的生成。传入一个整数可使多次函数调用产生可重现的输出。请参阅术语表。

属性:

random_weights_形状为 (n_features, n_components) 的 ndarray: 权重数组，从双曲正割分布中采样，将用于线性变换数据的对数。
random_offset_形状为 (n_features, n_components) 的 ndarray: 偏差项，将添加到数据中。它在 0 到 2*pi 之间均匀分布。
n_features_in_整型: 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的特征名称全部为字符串时才定义。

1.0 版本新增。

另请参阅

AdditiveChi2Sampler: 用于可加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.chi2_kernel: 精确的卡方核。
sklearn.metrics.pairwise.kernel_metrics: 内置核列表。

参考文献

参见 Fuxin Li, Catalin Ionescu 和 Cristian Sminchisescu 的《Random Fourier Approximations for Skewed Multiplicative Histogram Kernels》一文。

示例

>>> from sklearn.kernel_approximation import SkewedChi2Sampler
>>> from sklearn.linear_model import SGDClassifier
>>> X = [[0, 0], [1, 1], [1, 0], [0, 1]]
>>> y = [0, 0, 1, 1]
>>> chi2_feature = SkewedChi2Sampler(skewedness=.01,
...                                  n_components=10,
...                                  random_state=0)
>>> X_features = chi2_feature.fit_transform(X, y)
>>> clf = SGDClassifier(max_iter=10, tol=1e-3)
>>> clf.fit(X_features, y)
SGDClassifier(max_iter=10)
>>> clf.score(X_features, y)
1.0

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

使用 X 拟合模型。

根据特征数量采样随机投影。

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)[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)[source]#

获取转换后的输出特征名称。

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字符串类数组或 None, 默认值=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_out字符串对象的 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: 参数名称映射到其值。

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

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:

**params字典: 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, 形状为 (n_samples, n_features): 新数据，其中n_samples是样本数量，n_features是特征数量。X 的所有值必须严格大于“-skewedness”。

返回:

X_new类数组, 形状为 (n_samples, n_components): 返回实例本身。

SkewedChi2Sampler#

此页