KernelCenterer#
- class sklearn.preprocessing.KernelCenterer[source]#
中心化任意核矩阵 \(K\)。
定义一个核 \(K\)，使得
\[K(X, Y) = \phi(X) . \phi(Y)^{T}\]\(\phi(X)\) 是将 \(X\) 的行映射到希尔伯特空间的函数，\(K\) 的形状为
(n_samples, n_samples)。这个类允许计算 \(\tilde{K}(X, Y)\)，使得
\[\tilde{K(X, Y)} = \tilde{\phi}(X) . \tilde{\phi}(Y)^{T}\]\(\tilde{\phi}(X)\) 是希尔伯特空间中居中的映射数据。
KernelCenterer在不显式计算映射 \(\phi(\cdot)\) 的情况下对特征进行居中处理。在处理代数计算时，例如KernelPCA的特征分解时，有时需要使用居中的核。在 用户指南 中阅读更多内容。
- 属性:
另请参阅
sklearn.kernel_approximation.Nystroem使用训练数据的子集近似核图。
References
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)[source]#
拟合 KernelCenterer。
- 参数:
- Kndarray of shape (n_samples, n_samples)
核矩阵。
- yNone
忽略。
- 返回:
- selfobject
返回实例本身。
- fit_transform(X, y=None, **fit_params)[source]#
拟合数据，然后对其进行转换。
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:
- Xshape 为 (n_samples, n_features) 的 array-like
输入样本。
- y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象，默认=None
目标值（对于无监督转换，为 None）。
- **fit_paramsdict
额外的拟合参数。仅当估计器在其
fit方法中接受额外的参数时才传递。
- 返回:
- X_newndarray array of shape (n_samples, n_features_new)
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。
The feature names out will prefixed by the lowercased class name. For example, if the transformer outputs 3 features, then the feature names out are:
["class_name0", "class_name1", "class_name2"].- 参数:
- input_featuresarray-like of str or None, default=None
Only used to validate feature names with the names seen in
fit.
- 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。
请查阅 用户指南，了解路由机制如何工作。
- 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:
- deepbool, default=True
如果为 True，将返回此估计器以及包含的子对象（如果它们是估计器）的参数。
- 返回:
- paramsdict
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，请参阅引入 set_output API。
- 参数:
- transform{“default”, “pandas”, “polars”}, default=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: 转换配置保持不变
1.4 版本新增: 添加了
"polars"选项。
- 返回:
- selfestimator instance
估计器实例。
- set_params(**params)[source]#
设置此估计器的参数。
此方法适用于简单的估计器以及嵌套对象（如
Pipeline）。后者具有<component>__<parameter>形式的参数，以便可以更新嵌套对象的每个组件。- 参数:
- **paramsdict
估计器参数。
- 返回:
- selfestimator instance
估计器实例。
- set_transform_request(*, copy: bool | None | str = '$UNCHANGED$') KernelCenterer[source]#
配置是否应请求元数据以传递给
transform方法。请注意，此方法仅在以下情况下相关：此估计器用作 元估计器 中的子估计器，并且通过
enable_metadata_routing=True启用了元数据路由（请参阅sklearn.set_config）。请查看 用户指南 以了解路由机制的工作原理。每个参数的选项如下：
True：请求元数据，如果提供则传递给transform。如果未提供元数据，则忽略该请求。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：应将元数据以给定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。在版本 1.3 中新增。
- 参数:
- copystr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED
transform中copy参数的元数据路由。
- 返回:
- selfobject
更新后的对象。