RBFSampler

классsklearn.kernel_approximation.RBFSampler(*, gamma=1.0, n_components=100, random_state=None)[source]

Приближает карту функций ядра RBF с использованием случайных фурье-признаков.

Реализует вариант случайных кухонных раковинок [1].

Подробнее см. в Руководстве пользователя.

Параметры:

gamma‘scale’ или float, по умолчанию=1.0

Параметр ядра RBF: exp(-gamma * x^2). Если передано gamma='scale', то используется значение 1 / (n_features * X.var()) для gamma.

Добавлен в версии 1.2: Вариант "scale" был добавлен в 1.2.

n_componentsint, по умолчанию=100

Количество выборок Монте-Карло на один исходный признак. Равно размерности вычисляемого пространства признаков.

random_stateint, RandomState instance или None, по умолчанию=None

Генератор псевдослучайных чисел для управления генерацией случайных весов и случайного смещения при подгонке обучающих данных. Передайте целое число для воспроизводимого результата при нескольких вызовах функций. См. Словарь.

Атрибуты:

random_offset_массив формы (n_components,), dtype={np.float64, np.float32}

Случайное смещение, используемое для вычисления проекции в n_components измерениях пространства признаков.

random_weights_массив формы (n_features, n_components), dtype={np.float64, np.float32}

Случайные направления проекции, взятые из преобразования Фурье ядра RBF.

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлен в версии 0.24.

feature_names_in_массив формы (n_features_in_,)

Имена признаков, увиденных во время fit. Определяются только тогда, когда у X есть имена признаков, которые являются строками.

Добавлен в версии 1.0.

См. также

AdditiveChi2Sampler

Приближенная карта функций для аддитивного ядра хи-квадрат.

Nystroem

Приближенная карта ядра с использованием подмножества обучающих данных.

PolynomialCountSketch

Приближение полиномиального ядра с помощью Tensor Sketch.

SkewedChi2Sampler

Приближенная карта функций для ядра «смещенной хи-квадрат».

sklearn.metrics.pairwise.kernel_metrics

Список встроенных ядер.

Примечания

См. «Случайные признаки для масштабируемых задач машинного обучения с ядрами» А. Рахими и Бенджамина Рехта.

[1] «Взвешенные суммы случайных кухонных раковинок: замена минимизации случайностью в обучении» А. Рахими и Бенджамина Рехта. (https://people.eecs.berkeley.edu/~brecht/papers/08.rah.rec.nips.pdf)

Примеры

>>> from sklearn.kernel_approximation import RBFSampler
>>> from sklearn.linear_model import SGDClassifier
>>> X = [[0, 0], [1, 1], [1, 0], [0, 1]]
>>> y = [0, 0, 1, 1]
>>> rbf_feature = RBFSampler(gamma=1, random_state=1)
>>> X_features = rbf_feature.fit_transform(X)
>>> clf = SGDClassifier(max_iter=5, tol=1e-3)
>>> clf.fit(X_features, y)
SGDClassifier(max_iter=5)
>>> clf.score(X_features, y)
1.0

fit(X, y=None)[source]

Обучение модели с помощью X.

Выборка случайной проекции в соответствии с n_features.

Параметры:

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

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

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

Значения целевой переменной (None для безконтрольных преобразований).

Возвращает:

selfobject

Возвращает сам экземпляр.

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

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 of shape (n_samples, n_features)

Входные выборки.

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

Значения целевой переменной (None для безконтрольных 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 имен выходных признаков для преобразования.

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

Параметры:

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

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

Возвращает:

feature_names_outndarray of str objects

Имена преобразованных признаков.

get_metadata_routing()[source]

Получение маршрутизации метаданных для данного объекта.

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

Возвращает:

routingMetadataRequest

A MetadataRequest encapsulating routing information.

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

Настройка вывода transform и fit_transform.

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

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

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[source]

Установить параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (такими как Pipeline). У последних параметры имеют вид <component>__<parameter>, чтобы можно было обновить каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

transform(X)[source]

Применить приближенную функцию отображения к X.

Параметры:

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

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

Возвращает:

X_newarray-like, форма (n_samples, n_components)

Возвращает сам экземпляр.

Примеры из галереи

Явное приближение отображения признаков для ядер RBF