PolynomialCountSketch

classsklearn.kernel_approximation.PolynomialCountSketch(*, gamma=1.0, degree=2, coef0=0, n_components=100, random_state=None)[исходный код]

Аппроксимация полиномиального ядра с помощью Tensor Sketch.

Реализует Tensor Sketch, аппроксимирующий отображение признаков полиномиального ядра:

K(X, Y) = (gamma * <X, Y> + coef0)^degree

путём эффективного вычисления Count Sketch внешнего произведения вектора на самого себя с помощью быстрого преобразования Фурье (БПФ). Подробнее см. в Руководстве пользователя.

Добавлено в версии 0.24.

Параметры:

gammafloat, по умолчанию=1.0

Параметр полиномиального ядра, отображение признаков которого будет аппроксимировано.

degreeint, по умолчанию=2

Степень полиномиального ядра, отображение признаков которого будет аппроксимировано.

coef0int, по умолчанию=0

Постоянный член полиномиального ядра, отображение признаков которого будет аппроксимировано.

n_componentsint, по умолчанию=100

Размерность выходного пространства признаков. Обычно n_components должно быть больше количества признаков во входных образцах, чтобы добиться хорошей производительности. Оптимальный баланс качества и времени выполнения обычно достигается при n_components = 10 * n_features, однако это зависит от используемого набора данных.

random_stateint, экземпляр RandomState, по умолчанию=None

Определяет генерацию случайных чисел для инициализации indexHash и bitHash. Передайте целое число, чтобы результаты оставались воспроизводимыми при нескольких вызовах функции. См. глоссарий.

Атрибуты:

indexHash_ndarray формы (degree, n_features), dtype=int64

Массив индексов в диапазоне [0, n_components), используемый для представления 2-независимых хеш-функций при вычислении Count Sketch.

bitHash_ndarray формы (degree, n_features), dtype=float32

Массив со случайными значениями из {+1, -1}, используемый для представления 2-независимых хеш-функций при вычислении Count Sketch.

n_features_in_int

Количество признаков, обнаруженных во время обучения.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Названия признаков, обнаруженные во время обучения. Определяется только в том случае, если X содержит названия признаков, представленные строками.

Добавлено в версии 1.0.

См. также

AdditiveChi2Sampler

Аппроксимация отображения признаков для аддитивного ядра chi2.

Nystroem

Аппроксимация отображения ядра с использованием подмножества обучающих данных.

RBFSampler

Аппроксимация отображения признаков ядра RBF с использованием случайных признаков Фурье.

SkewedChi2Sampler

Аппроксимация отображения признаков для «перекошенного» ядра хи-квадрат.

sklearn.metrics.pairwise.kernel_metrics

Список встроенных ядер.

Примеры

>>> from sklearn.kernel_approximation import PolynomialCountSketch
>>> from sklearn.linear_model import SGDClassifier
>>> X = [[0, 0], [1, 1], [1, 0], [0, 1]]
>>> y = [0, 0, 1, 1]
>>> ps = PolynomialCountSketch(degree=3, random_state=1)
>>> X_features = ps.fit_transform(X)
>>> clf = SGDClassifier(max_iter=10, tol=1e-3)
>>> clf.fit(X_features, y)
SGDClassifier(max_iter=10)
>>> clf.score(X_features, y)
1.0

Более подробный пример использования см. в разделе Масштабируемое обучение с аппроксимацией полиномиального ядра

fit(X, y=None)[исходный код]

Обучить модель на X.

Инициализирует внутренние переменные. Методу не требуется информация о распределении данных, поэтому учитывается только количество признаков в X.

Параметры:

X{массивоподобный объект, разреженная матрица} формы (n_samples, n_features)

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

yмассивоподобный объект формы (n_samples,) или (n_samples, n_outputs), по умолчанию=None

Целевые значения (None для преобразований без учителя).

Возвращает:

selfobject

Возвращает сам экземпляр.

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

Обучить преобразователь на данных, а затем преобразовать их.

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

Параметры:

Xмассивоподобный объект формы (n_samples, n_features)

Входные образцы.

yмассивоподобный объект 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 в том случае, если оценщик принимает дополнительные параметры в методе fit.

Возвращает:

X_newмассив ndarray формы (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[исходный код]

Получить названия выходных признаков после преобразования.

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

Параметры:

input_featuresмассивоподобный объект из строк или None, по умолчанию=None

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

Возвращает:

feature_names_outndarray из строковых объектов

Названия преобразованных признаков.

get_metadata_routing()[исходный код]

Получить 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]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, будут возвращены параметры этого оценщика и содержащихся в нём подобъектов, которые являются оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

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

Настроить контейнер для вывода.

Дополнительные сведения 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 в формате DataFrame
• "polars": вывод в формате Polars
• None: конфигурация преобразования остаётся без изменений

Добавлено в версии 1.4: добавлен параметр "polars".

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[исходный код]

Задать параметры этого оценщика.

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

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

transform(X)[исходный код]

Построить аппроксимацию отображения признаков для X.

Параметры:

X{массивоподобный объект}, форма (n_samples, n_features)

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

Возвращает:

X_newмассивоподобный объект, форма (n_samples, n_components)

Возвращает сам экземпляр.

Примеры из галереи

Масштабируемое обучение с аппроксимацией полиномиального ядра

Основные нововведения scikit-learn 0.24