Nystroem

classsklearn.kernel_approximation.Nystroem(kernel='rbf', *, gamma=None, coef0=None, degree=None, kernel_params=None, n_components=100, random_state=None, n_jobs=None)[source]

Приблизить карту ядра, используя подмножество обучающих данных.

Строит приближенную карту признаков для произвольного ядра, используя подмножество данных в качестве базиса.

Подробнее см. в Руководстве пользователя.

Добавлен в версии 0.13.

Параметры:

kernelstr или вызываемый объект, по умолчанию=’rbf’

Карта ядра, подлежащая приближению. Вызываемый объект должен принимать два аргумента и ключевые аргументы, переданные в этот объект, как kernel_params, и должен возвращать число с плавающей точкой.

gammafloat, по умолчанию=None

Параметр гамма для ядер RBF, лапласиан, полиномиальное, экспоненциальное chi2 и сигмоидальное. Интерпретация значения по умолчанию оставляется ядру; см. документацию для sklearn.metrics.pairwise. Игнорируется другими ядрами.

coef0float, по умолчанию=None

Нулевой коэффициент для полиномиальных и сигмоидальных ядер. Игнорируется другими ядрами.

degreefloat, по умолчанию=None

Степень полиномиального ядра. Игнорируется другими ядрами.

kernel_paramsdict, по умолчанию=None

Дополнительные параметры (ключевые аргументы) для функции ядра, переданные как вызываемый объект.

n_componentsint, по умолчанию=100

Число признаков для построения. Сколько точек данных будет использовано для построения отображения.

random_stateint, RandomState instance или None, по умолчанию=None

Генератор псевдослучайных чисел для управления равномерной выборкой без возвращения n_components обучающих данных для построения базисного ядра. Передайте целое число для воспроизводимого вывода в нескольких вызовах функций. См. Глоссарий.

n_jobsint, по умолчанию=None

Число задач для использования в вычислении. Это работает путем разделения матрицы ядра на n_jobs равные части и вычисления их параллельно.

None означает 1, за исключением контекста joblib.parallel_backend. -1 означает использование всех процессоров. См. Глоссарий для получения более подробной информации.

Добавлен в версии 0.24.

Атрибуты:

components_массив формы (n_components, n_features)

Подмножество точек обучения, используемых для построения карты признаков.

component_indices_массив формы (n_components)

Индексы components_ в наборе обучающих данных.

normalization_массив формы (n_components, n_components)

Матрица нормализации, необходимая для встраивания. Квадратный корень из матрицы ядра в components_.

n_features_in_int

Число признаков, увиденных во время fit.

Добавлен в версии 0.24.

feature_names_in_массив формы (n_features_in_,)

Имена признаков, увиденных во время fit. Определены только тогда, когда X имеет имена признаков, все из которых являются строками.

Добавлен в версии 1.0.

См. также

AdditiveChi2Sampler

Приближенная карта признаков для аддитивного ядра chi2.

PolynomialCountSketch

Приближение полиномиального ядра с помощью Tensor Sketch.

RBFSampler

Приближение карты признаков ядра RBF с использованием случайных гармонических признаков.

SkewedChi2Sampler

Приближенная карта признаков для ядра «смещенного хи-квадрат».

sklearn.metrics.pairwise.kernel_metrics

Список встроенных ядер.

Ссылки

• Williams, C.K.I. and Seeger, M. “Использование метода Nystroem для ускорения машинных методов ядра”, Advances in neural information processing systems 2001
• T. Yang, Y. Li, M. Mahdavi, R. Jin and Z. Zhou “Метод Nystroem против случайных гармонических признаков: теоретическое и эмпирическое сравнение”, Advances in Neural Information Processing Systems 2012

Примеры

>>> from sklearn import datasets, svm
>>> from sklearn.kernel_approximation import Nystroem
>>> X, y = datasets.load_digits(n_class=9, return_X_y=True)
>>> data = X / 16.
>>> clf = svm.LinearSVC()
>>> feature_map_nystroem = Nystroem(gamma=.2,
...                                 random_state=1,
...                                 n_components=300)
>>> data_transformed = feature_map_nystroem.fit_transform(data)
>>> clf.fit(data_transformed, y)
LinearSVC()
>>> clf.score(data_transformed, y)
0.9987...

fit(X, y=None)[source]

Обучить оценщик данным.

Выбирает подмножество точек обучения, вычисляет ядро на них и вычисляет матрицу нормализации.

Параметры:

Xarray-like, форма (n_samples, n_features)

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

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

Значения целевых переменных (None для без учителя преобразований).

Возвращает:

selfобъект

Возвращает экземпляр самого себя.

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

Обучить преобразователь к данным, а затем преобразовать их.

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

Параметры:

Xarray-like формы (n_samples, n_features)

Входные выборки.

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

Значения целевых переменных (None для без учителя преобразований).

**fit_paramsdict

Дополнительные параметры обучения.

Возвращает:

X_newndarray array формы (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[source]

Получить имена выходных признаков для преобразования.

Имена выходных признаков будут начинаться с имени класса в нижнем регистре. Например, если преобразователь выводит 3 признака, то имена выходных признаков: ["class_name0", "class_name1", "class_name2"].

Параметры:

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

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

Возвращает:

feature_names_outndarray из str объектов

Имена преобразованных признаков.

get_metadata_routing()[source]

Получить маршрутизацию метаданных для этого объекта.

Пожалуйста, ознакомьтесь с Руководством пользователя по тому, как работает механизм маршрутизации.

Возвращает:

маршрутизацияMetadataRequest

MetadataRequest объект, содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернет параметры этого оценщика и вложенных подобъектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

set_output(*, transform=None)[source]

Установить контейнер вывода.

См. Введение в API set_output для примера использования API.

Параметры:

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

Настроить вывод transform и fit_transform.

• "default": Формат вывода по умолчанию трансформатора
• "pandas": Вывод DataFrame
• "polars": Вывод Polars
• None: Настройка трансформации не изменена

Добавлен 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 (например, Pipeline). Последние имеют параметры в формате <component>__<parameter>, чтобы можно было обновить каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

transform(X)[source]

Применить отображение признаков к X.

Вычисляет приближенное отображение признаков, используя ядро между некоторыми обучающими точками и X.

Параметры:

Xarray-like of shape (n_samples, n_features)

Данные для преобразования.

Возвращает:

X_transformedndarray of shape (n_samples, n_components)

Преобразованные данные.

Примеры из галереи

Инженерия временных признаков

One-Class SVM по сравнению с One-Class SVM с использованием стохастического градиентного спуска

Сравнение алгоритмов обнаружения аномалий для выявления выбросов на наборах данных

Явное приближение карты признаков для ядер RBF

Заполнение пропущенных значений с вариантами IterativeImputer