AdditiveChi2Sampler

classsklearn.kernel_approximation.AdditiveChi2Sampler(*, sample_steps=2, sample_interval=None)[исходный код]

Приближённое отображение признаков для аддитивного ядра хи-квадрат.

Использует дискретизацию преобразования Фурье характеристической функции ядра с регулярными интервалами.

Поскольку приближаемое ядро является аддитивным, компоненты входных векторов можно обрабатывать по отдельности. Каждая запись в исходном пространстве преобразуется в 2*sample_steps-1 признаков, где sample_steps — параметр метода. Типичные значения sample_steps — 1, 2 и 3.

Оптимальные значения интервала дискретизации для некоторых диапазонов данных можно вычислить (см. ссылку). Значения по умолчанию должны быть подходящими.

Подробнее см. в руководстве пользователя.

Параметры:

sample_stepsint, по умолчанию=2

Задаёт количество (комплексных) точек дискретизации.

sample_intervalfloat, по умолчанию=None

Интервал дискретизации. Должен быть задан, если sample_steps не входит в {1,2,3}.

Атрибуты:

n_features_in_int

Количество признаков, полученных во время fit.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Названия признаков, полученные во время fit. Определяется только в том случае, если X содержит названия признаков, все из которых являются строками.

Добавлено в версии 1.0.

См. также

SkewedChi2Sampler

Приближение Фурье для неаддитивного варианта ядра хи-квадрат.

sklearn.metrics.pairwise.chi2_kernel

Точное ядро хи-квадрат.

sklearn.metrics.pairwise.additive_chi2_kernel

Точное аддитивное ядро хи-квадрат.

Примечания

Этот оцениватель приближает немного отличающуюся версию аддитивного ядра хи-квадрат по сравнению с той, которую вычисляет metric.additive_chi2.

Этот оцениватель не имеет состояния и не требует обучения. Тем не менее рекомендуется вызывать fit_transform вместо transform, поскольку проверка параметров выполняется только в fit.

Литература

См. «Эффективные аддитивные ядра с помощью явных отображений признаков» A. Vedaldi и A. Zisserman, Pattern Analysis and Machine Intelligence, 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)[исходный код]

Выполняет только проверку параметров оценивателя.

Этот метод позволяет: (i) проверять параметры оценивателя и (ii) обеспечивать совместимость с API преобразователей scikit-learn.

Параметры:

Xarray-like, формы (n_samples, n_features)

Обучающие данные, где n_samples — количество образцов, а n_features — количество признаков.

yarray-like, формы (n_samples,) или (n_samples, n_outputs), по умолчанию=None

Целевые значения (None для преобразований без учителя).

Возвращает:

selfobject

Возвращает преобразователь.

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

Обучает преобразователь на данных, а затем преобразует их.

Обучает преобразователь на X и y с необязательными параметрами fit_params и возвращает преобразованную версию X.

Параметры:

Xarray-like формы (n_samples, n_features)

Входные образцы.

yarray-like формы (n_samples,) или (n_samples, n_outputs), по умолчанию=None

Целевые значения (None для преобразований без учителя).

**fit_paramsdict

Дополнительные параметры обучения. Передавайте их, только если оцениватель принимает дополнительные параметры в методе fit.

Возвращает:

X_newndarray, массив формы (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[исходный код]

Получает названия выходных признаков преобразования.

Параметры:

input_featuresarray-like из строк или None, по умолчанию=None

Используется только для проверки названий признаков по названиям, полученным в fit.

Возвращает:

feature_names_outndarray из строковых объектов

Названия преобразованных признаков.

get_metadata_routing()[исходный код]

Получает маршрутизацию метаданных этого объекта.

Описание работы механизма маршрутизации см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[исходный код]

Получает параметры этого оценивателя.

Параметры:

deepbool, по умолчанию=True

Если True, возвращает параметры этого оценивателя и содержащихся в нём подобъектов, являющихся оценивателями.

Возвращает:

paramsdict

Названия параметров, сопоставленные их значениям.

set_output(*, transform=None)[исходный код]

Задаёт контейнер выходных данных.

Подробнее см. в руководстве пользователя, а пример использования API приведён в разделе Знакомство с API set_output.

Параметры:

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

Настраивает формат вывода для transform и fit_transform.

• "default": формат вывода преобразователя по умолчанию
• "pandas": вывод DataFrame
• "polars": вывод Polars
• None: конфигурация преобразования остаётся без изменений

Добавлено в версии 1.4: добавлен параметр "polars".

Возвращает:

selfэкземпляр оценивателя

Экземпляр оценивателя.

set_params(**params)[исходный код]

Задаёт параметры этого оценивателя.

Метод работает как с простыми оценивателями, так и с вложенными объектами (например, Pipeline). Параметры последних имеют вид <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценивателя.

Возвращает:

selfэкземпляр оценивателя

Экземпляр оценивателя.

transform(X)[исходный код]

Применяет к X приближённое отображение признаков.

Параметры:

X{array-like, разреженная матрица}, формы (n_samples, n_features)

Обучающие данные, где n_samples — количество образцов, а n_features — количество признаков.

Возвращает:

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

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