PolynomialCountSketch

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

Приближение полиномиального ядра с помощью Tensor Sketch.

Реализует Tensor Sketch, который приближает отображение признаков полиномиального ядра:

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

путём эффективного вычисления Count Sketch внешнего произведения вектора на себя с использованием быстрых преобразований Фурье (FFT). Дополнительную информацию можно найти в Руководстве пользователя.

Добавлена в версии 0.24.

Параметры:

gammafloat, по умолчанию=1.0

Параметр полиномиального ядра, отображение признаков которого будет приближено.

degreeint, по умолчанию=2

Степень полиномиального ядра, отображение признаков которого будет приближено.

coef0int, по умолчанию=0

Постоянная часть полиномиального ядра, отображение признаков которого будет приближено.

n_componentsint, по умолчанию=100

Размерность выходного пространства признаков. Обычно, n_components должно быть больше, чем число признаков в входных образцах, для достижения хорошей производительности. Оптимальное соотношение оценки/времени выполнения обычно достигается при значении n_components = 10 * n_features, но это зависит от конкретного используемого набора данных.

random_stateint, RandomState instance, по умолчанию=None

Определяет генерацию псевдослучайных чисел для инициализации indexHash и bitHash. Передайте целое число для воспроизводимых результатов при нескольких вызовах функции. См. Словарь.

Атрибуты:

indexHash_массив формы (degree, n_features), dtype=int64

Массив индексов в диапазоне [0, n_components), используемых для представления 2-кратно независимых хеш-функций для вычисления Count Sketch.

bitHash_массив формы (degree, n_features), dtype=float32

Массив со случайными значениями в {+1, -1}, используемый для представления 2-кратно независимых хеш-функций для вычисления Count Sketch.

n_features_in_int

Количество признаков, встреченных во время fit.

Добавлена в версии 0.24.

feature_names_in_массив формы (n_features_in_,)

Имена признаков, встреченных во время fit. Определено только тогда, когда X имеет имена признаков, которые являются строками.

Добавлена в версии 1.0.

См. также

AdditiveChi2Sampler

Приближённое отображение признаков для аддитивного хи-квадрат ядра.

Nystroem

Приблизить отображение ядра, используя подмножество обучающих данных.

RBFSampler

Приблизить отображение признаков ядра RBF, используя случайные Фурье-признаки.

SkewedChi2Sampler

Приближение отображения признаков ядра «смещённого 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 Масштабируемое обучение с приближением полиномиального ядра

fit(X, y=None)[source]

Обучение модели с X.

Инициализирует внутренние переменные. Методу не нужна информация о распределении данных, поэтому нас интересует только n_features в X.

Параметры:

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

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

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

Значения целевой переменной (None для без учителя преобразований).

Возвращает:

selfobject

Возвращает сам экземпляр.

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

Обучение на данных, затем их преобразование.

Обучает преобразователь на X и y с необязательными параметрами fit_params и возвращает преобразованный вариант 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 целевой переменной (None для без учителя преобразований).

**fit_paramsdict

Дополнительные параметры обучения.

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.

Имена выходных признаков будут начинаться с нижнего регистра имени класса. Например, если преобразователь выводит 3 признака, то имена выходных признаков:

["class_name0", "class_name1", "class_name2"].

Параметры:

input_featuresarray-like of str or None, default=None

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

Возвращает:

feature_names_outndarray of str objects

Имена преобразованных признаков.

get_metadata_routing()[source]

Получение маршрутизации метаданных этого объекта.

Пожалуйста, проверьте Руководство пользователя по тому, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest объект, 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 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

Настройка вывода transform и fit_transform.

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

Добавлен в версии 1.4: "polars" опция была добавлена.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[source]

Установить параметры этого оценщика.

Метод работает с простыми оценщиками, а также с вложенными объектами (такими как Pipeline). Последние имеют параметры вида <component>__<parameter>, чтобы можно было обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

transform(X)[source]

Генерировать приближение карты признаков для X.

Параметры:

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

Новые данные, где n_samples — число объектов, а n_features — число признаков.

Возвращает:

X_newarray-like, форма (n_samples, n_components)

Возвращает сам экземпляр.

Примеры из галереи

Основные моменты выпуска scikit-learn 0.24

Масштабируемое обучение с аппроксимацией полиномиального ядра