KernelCenterer#

class sklearn.preprocessing.KernelCenterer[源]#

对任意核矩阵 \(K\) 进行中心化。

令核函数 \(K\) 定义为

\[K(X, Y) = \phi(X) . \phi(Y)^{T}\]

\(\phi(X)\) 是将 \(X\) 的行映射到希尔伯特空间的一个函数，\(K\) 的形状为 (n_samples, n_samples)。

这个类可以计算 \(\tilde{K}(X, Y)\)，其定义为

\[\tilde{K(X, Y)} = \tilde{\phi}(X) . \tilde{\phi}(Y)^{T}\]

\(\tilde{\phi}(X)\) 是希尔伯特空间中经过中心化映射后的数据。

KernelCenterer 对特征进行中心化，而无需显式计算映射 \(\phi(\cdot)\)。在使用代数计算（例如 KernelPCA 的特征分解）时，有时需要使用中心化的核。

更多信息请参阅 用户指南。

属性:
K_fit_rows_形状为 (n_samples,) 的 ndarray

核矩阵每列的平均值。

K_fit_all_float

核矩阵的平均值。

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。

另请参见

sklearn.kernel_approximation.Nystroem

使用训练数据的子集近似核映射。

参考文献

示例

>>> from sklearn.preprocessing import KernelCenterer
>>> from sklearn.metrics.pairwise import pairwise_kernels
>>> X = [[ 1., -2.,  2.],
...      [ -2.,  1.,  3.],
...      [ 4.,  1., -2.]]
>>> K = pairwise_kernels(X, metric='linear')
>>> K
array([[  9.,   2.,  -2.],
       [  2.,  14., -13.],
       [ -2., -13.,  21.]])
>>> transformer = KernelCenterer().fit(K)
>>> transformer
KernelCenterer()
>>> transformer.transform(K)
array([[  5.,   0.,  -5.],
       [  0.,  14., -14.],
       [ -5., -14.,  19.]])
fit(K, y=None)[源]#

拟合 KernelCenterer。

参数:
K形状为 (n_samples, n_samples) 的 ndarray

核矩阵。

yNone

忽略。

返回:
self对象

返回实例本身。

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

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（对于无监督转换，设置为 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)[源]#

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_out字符串对象的 ndarray

转换后的特征名称。

get_metadata_routing()[源]#

获取此对象的元数据路由。

请查阅 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)[源]#

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)[源]#

设置输出容器。

请参阅 set_output API 简介，了解如何使用该 API。

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: 转换配置未更改

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)[源]#

设置此估计器的参数。

此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。

set_transform_request(*, copy: bool | None | str = '$UNCHANGED$') → KernelCenterer[源]#

请求传递给 transform 方法的元数据。

请注意，此方法仅在 enable_metadata_routing=True 时才相关（参见 sklearn.set_config）。请参阅 用户指南，了解路由机制的工作原理。

每个参数的选项为

  • True: 请求元数据，如果提供则传递给 transform。如果未提供元数据，则请求被忽略。

  • False: 不请求元数据，并且元估计器不会将其传递给 transform。

  • None: 不请求元数据，如果用户提供元数据，元估计器将引发错误。

  • str: 元数据应以给定的别名而不是原始名称传递给元估计器。

默认值 (sklearn.utils.metadata_routing.UNCHANGED) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

1.3 版本新增。

注意

此方法仅在估计器作为元估计器的子估计器使用时才相关，例如在 Pipeline 中使用时。否则，它没有效果。

参数:
copystr, True, False, 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED

transform 方法中 copy 参数的元数据路由。

返回:
self对象

更新后的对象。

transform(K, copy=True)[源]#

中心化核矩阵。

参数:
K形状为 (n_samples1, n_samples2) 的 ndarray

核矩阵。

copybool，默认为 True

设置为 False 以执行原地计算。

返回:
K_new形状为 (n_samples1, n_samples2) 的 ndarray

返回实例本身。