AdditiveChi2Sampler

классsklearn.kernel_approximation.AdditiveChi2Sampler(*, sample_steps=2, sample_interval=None)[source]

Приближённое отображение признаков для аддитивного ядра хи-квадрат.

Использует выборку преобразования Фурье характеристик ядра с равными интервалами.

Поскольку приближаемое ядро аддитивное, компоненты входных векторов можно рассматривать по отдельности. Каждый элемент исходного пространства преобразуется в 2*sample_steps-1 признаков, где sample_steps — параметр метода. Типичные значения sample_steps включают 1, 2 и 3.

Оптимальные значения интервала выборки для определённых диапазонов данных можно вычислить (см. ссылку). Значения по умолчанию должны быть разумными.

Дополнительную информацию см. в Руководстве пользователя.

Параметры:

sample_stepsint, по умолчанию=2

Количество (комплексных) точек выборки.

sample_intervalfloat, по умолчанию=None

Интервал выборки. Должен быть указан, когда sample_steps не равно {1,2,3}.

Атрибуты:

n_features_in_int

Количество признаков, увиденных во время подгонки.

Добавлен в версии 0.24.

feature_names_in_ndarray of shape (n_features_in_,)

Названия признаков, увиденные во время подгонки. Определены только тогда, когда X имеет имена признаков, которые все являются строками.

Добавлен в версии 1.0.

См. также

SkewedChi2Sampler

Приближение Фурье к варианту ядра хи-квадрат, не являющемуся аддитивным.

sklearn.metrics.pairwise.chi2_kernel

Точное ядро хи-квадрат.

sklearn.metrics.pairwise.additive_chi2_kernel

Точное аддитивное ядро хи-квадрат.

Примечания

Этот оценщик приближает несколько другую версию аддитивного ядра хи-квадрат, чем metric.additive_chi2.

Этот оценщик не имеет состояния и не требует подгонки. Однако рекомендуется вызывать fit_transform вместо transform, так как валидация параметров выполняется только в fit.

Ссылки

См. “Efficient additive kernels via explicit feature maps” А. Ведальди и А. Зиссерман, Обработка изображений и машинного обучения, 2011

Примеры

>>> 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]

Только проверяет параметры оценщика.

Этот метод позволяет: (i) проверить параметры оценщика и (ii) быть согласованным с API трансформаторов scikit-learn.

Параметры:

Xarray-like, shape (n_samples, n_features)

Данные обучения, где n_samples — количество образцов, а n_features — количество признаков.

yarray-like, shape (n_samples,) or (n_samples, n_outputs), default=None

Значения целевых переменных (None для безконтрольных преобразований).

Возвращает:

selfobject

Возвращает трансформатор.

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

Подгонка к данным, затем их преобразование.

Подгоняет трансформатор к X и y с необязательными параметрами fit_params и возвращает преобразованную версию X.

Параметры:

Xarray-like of shape (n_samples, n_features)

Входные образцы.

yarray-like of shape (n_samples,) or (n_samples, n_outputs), default=None

Значения целевых переменных (None для безконтрольных преобразований).

**fit_paramsdict

Дополнительные параметры подгонки.

Возвращает:

X_newndarray array of shape (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[source]

Получение имён выходных признаков для преобразования.

Параметры:

input_featuresarray-like of str or None, default=None

Используется только для проверки имён признаков с именами, увиденными в fit.

Возвращает:

feature_names_outndarray of str objects

Имена преобразованных признаков.

get_metadata_routing()[source]

Получение маршрутизации метаданных этого объекта.

См. Руководство пользователя о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернёт параметры этого оценщика и содержащихся в нём дочерних объектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные со значениями.

set_output(*, transform=None)[source]

Установить контейнер вывода.

См. Представление API set_output для примера использования API.

Параметры:

transform{“default”, “pandas”, “polars”}, по умолчанию=None

Настройка вывода transform и fit_transform.

• "default": Формат вывода по умолчанию трансформатора
• "pandas": Вывод в виде DataFrame
• "polars": Вывод в формате Polars
• None: Настройка трансформации не изменяется

Добавлена в версии 1.4: "polars" вариант был добавлен.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[source]

Установить параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (такими как Pipeline). Последние имеют параметры вида <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

transform(X)[source]

Применить приближённое отображение функций к X.

Параметры:

X{array-like, sparse matrix}, форма (n_samples, n_features)

Данные обучения, где n_samples — количество примеров, а n_features — количество признаков.

Возвращает:

X_new{ndarray, sparse matrix}, форма = (n_samples, n_features * (2*sample_steps - 1))

Тип возвращаемого значения (массив или разреженная матрица) зависит от типа входных данных X.