AdditiveChi2Sampler#

class sklearn.kernel_approximation.AdditiveChi2Sampler(*, sample_steps=2, sample_interval=None)[source]#

加性卡方核的近似特征图。

通过在规则间隔处对核特征的傅里叶变换进行采样。

由于要近似的核是可加的，输入向量的分量可以被单独处理。原始空间中的每个条目被转换为2*sample_steps-1个特征，其中sample_steps是该方法的一个参数。sample_steps的典型值包括1、2和3。

可以计算特定数据范围的最佳采样间隔（参见参考资料）。默认值应该是合理的。

在用户指南中了解更多信息。

参数:

sample_stepsint, default=2: 给出（复数）采样点的数量。
sample_intervalfloat, default=None: 采样间隔。当 sample_steps 不在 {1, 2, 3} 中时必须指定。

属性:

n_features_in_int: 在拟合期间看到的特征数。

0.24 版本新增。
feature_names_in_shape 为 (n_features_in_,) 的 ndarray: 在 fit 期间看到的特征名称。仅当 X 具有全部为字符串的特征名称时才定义。

1.0 版本新增。

另请参阅

SkewedChi2Sampler: 非可加变体卡方核的傅里叶近似。
sklearn.metrics.pairwise.chi2_kernel: 精确的卡方核。
sklearn.metrics.pairwise.additive_chi2_kernel: 精确的可加卡方核。

注意事项

此估计器近似于与 metric.additive_chi2 计算的稍有不同的可加卡方核版本。

此估计器是无状态的，不需要拟合。然而，我们建议调用 fit_transform 而不是 transform，因为参数验证只在 fit 中执行。

References

参见 “Efficient additive kernels via explicit feature maps” A. Vedaldi 和 A. Zisserman, Pattern Analysis and Machine Intelligence, 2011

示例

>>> from sklearn.datasets import load_digits
>>> from sklearn.linear_model import SGDClassifier
>>> from sklearn.kernel_approximation import AdditiveChi2Sampler
>>> X, y = load_digits(return_X_y=True)
>>> chi2sampler = AdditiveChi2Sampler(sample_steps=2)
>>> X_transformed = chi2sampler.fit_transform(X, y)
>>> clf = SGDClassifier(max_iter=5, random_state=0, tol=1e-3)
>>> clf.fit(X_transformed, y)
SGDClassifier(max_iter=5, random_state=0)
>>> clf.score(X_transformed, y)
0.9499...

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

仅验证估计器的参数。

此方法允许：（i）验证估计器的参数和（ii）与scikit-learn转换器API保持一致。

参数:

Xarray-like, shape (n_samples, n_features): 训练数据，其中 n_samples 是样本数，n_features 是特征数。
yarray-like, shape (n_samples,) or (n_samples, n_outputs), default=None: 目标值（对于无监督转换，为 None）。

返回:

selfobject: 返回转换器。

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。

参数:

input_featuresarray-like of str or None, default=None: 仅用于验证特征名称与在 fit 中看到的名称是否一致。

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。

transform(X)[source]#

将近似特征映射应用于 X。

参数:

X{array-like, sparse matrix}, shape (n_samples, n_features): 训练数据，其中 n_samples 是样本数，n_features 是特征数。

返回:

X_new{ndarray, sparse matrix}, shape = (n_samples, n_features * (2*sample_steps - 1)): 返回值是数组还是稀疏矩阵取决于输入 X 的类型。

AdditiveChi2Sampler#

本页