Нистрем

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

Аппроксимирует отображение ядра с использованием подмножества обучающих данных.

Строит приближённое отображение признаков для произвольного ядра, используя подмножество данных в качестве базиса.

Подробнее см. в руководстве пользователя.

Добавлено в версии 0.13.

Параметры:

kernelstr or callable, default=’rbf’

Отображение ядра для аппроксимации. Вызываемый объект должен принимать два аргумента и ключевые аргументы, переданные этому объекту, в качестве kernel_params, и возвращать число с плавающей точкой.

gammafloat, default=None

Параметр gamma для ядер RBF, лапласова, полиномиального, экспоненциального chi2 и сигмоидального. Интерпретация значения по умолчанию определяется ядром; см. документацию для sklearn.metrics.pairwise. Игнорируется другими ядрами.

coef0float, default=None

Свободный коэффициент для полиномиального и сигмоидального ядер. Игнорируется другими ядрами.

degreefloat, default=None

Степень полиномиального ядра. Игнорируется другими ядрами.

kernel_paramsdict, default=None

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

n_componentsint, default=100

Количество создаваемых признаков. Число точек данных, используемых для построения отображения.

random_stateint, RandomState instance or None, default=None

Генератор псевдослучайных чисел для управления равномерной выборкой без возвращения n_components обучающих данных при построении базисного ядра. Передайте целое число, чтобы получать воспроизводимые результаты при нескольких вызовах функции. См. глоссарий.

n_jobsint, default=None

Количество заданий для вычислений. Матрица ядра разбивается на n_jobs равных частей, которые вычисляются параллельно.

None означает 1, если только не используется контекст joblib.parallel_backend. -1 означает использование всех процессоров. Подробнее см. в глоссарии.

Добавлено в версии 0.24.

Атрибуты:

components_ndarray of shape (n_components, n_features): Подмножество обучающих точек, используемых для построения отображения признаков.
component_indices_ndarray of shape (n_components): Индексы components_ в обучающем наборе.
normalization_ndarray of shape (n_components, n_components): Матрица нормализации, необходимая для встраивания. Квадратный корень из матрицы ядра на components_.
n_features_in_int: Количество признаков, обнаруженных во время обучения.

Добавлено в версии 0.24.
feature_names_in_ndarray of shape (n_features_in_,): Названия признаков, обнаруженные во время обучения. Определяется, только если X содержит названия признаков, представленные строками.

Добавлено в версии 1.0.

См. также

AdditiveChi2Sampler: Приближённое отображение признаков для аддитивного ядра chi2.
PolynomialCountSketch: Аппроксимация полиномиального ядра с помощью Tensor Sketch.
RBFSampler: Аппроксимирует отображение признаков ядра RBF с помощью случайных признаков Фурье.
SkewedChi2Sampler: Приближённое отображение признаков для ядра «скошенного хи-квадрат».
sklearn.metrics.pairwise.kernel_metrics: Список встроенных ядер.

Литература

Williams, C.K.I. and Seeger, M. “Using the Nystroem method to speed up kernel machines”, Advances in neural information processing systems 2001
T. Yang, Y. Li, M. Mahdavi, R. Jin and Z. Zhou “Nystroem Method vs Random Fourier Features: A Theoretical and Empirical Comparison”, 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)[исходный код]

Обучает оцениватель на данных.

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

Параметры:

Xarray-like, shape (n_samples, n_features): Обучающие данные, где n_samples — количество образцов, а n_features — количество признаков.
yarray-like, shape (n_samples,) or (n_samples, n_outputs), default=None: Целевые значения (None для преобразований без учителя).

Возвращает:

selfobject: Возвращает сам экземпляр объекта.

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

Обучает 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 of shape (n_samples, n_features): Входные образцы.
yarray-like of shape (n_samples,) or (n_samples, n_outputs), default=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 array of shape (n_samples, n_features_new): Преобразованный массив.

get_feature_names_out(input_features=None)[исходный код]

Получает названия выходных признаков для преобразования.

К названиям выходных признаков будет добавлено имя класса в нижнем регистре. Например, если преобразователь возвращает 3 признака, то названия выходных признаков будут следующими: ["class_name0", "class_name1", "class_name2"].

Параметры:

input_featuresarray-like of str or None, default=None: Используется только для проверки названий признаков на соответствие названиям, обнаруженным в fit.

Возвращает:

feature_names_outndarray of str objects: Преобразованные названия признаков.

get_metadata_routing()[исходный код]

Получает маршрутизацию метаданных этого объекта.

О том, как работает механизм маршрутизации, см. в руководстве пользователя.

Возвращает:

routingMetadataRequest: MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[исходный код]

Получает параметры этого оценивателя.

Параметры:

deepbool, default=True: Если значение True, возвращает параметры этого оценивателя и содержащихся в нём подобъектов, являющихся оценивателями.

Возвращает:

paramsdict: Имена параметров, сопоставленные с их значениями.

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”}, default=None

Настраивает формат выходных данных transform и fit_transform.

"default": Формат выходных данных преобразователя по умолчанию
"pandas": Вывод в виде DataFrame
"polars": Вывод в формате Polars
None: Конфигурация преобразования остаётся без изменений

Добавлено в версии 1.4: добавлен параметр "polars".

Возвращает:

selfestimator instance: 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: