RBFSampler

classsklearn.kernel_approximation.RBFSampler(*, gamma=1.0, n_components=100, random_state=None)[исходный код]

Приближает отображение признаков ядра RBF с помощью случайных признаков Фурье.

Реализует вариант метода Random Kitchen Sinks.[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', значение gamma вычисляется как 1 / (n_features * X.var()).

Добавлено в версии 1.2: Опция "scale" добавлена в версии 1.2.

n_componentsint, по умолчанию=100

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

random_stateint, экземпляр RandomState или None, по умолчанию=None

Генератор псевдослучайных чисел для управления генерацией случайных весов и случайного смещения при обучении на тренировочных данных. Передайте int, чтобы получать воспроизводимые результаты при нескольких вызовах функции. См. глоссарий.

Атрибуты:

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

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

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

Направления случайной проекции, полученные из преобразования Фурье ядра RBF.

n_features_in_int

Количество признаков, обнаруженных при вызове fit.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Названия признаков, обнаруженные при вызове fit. Определяется только в том случае, если X содержит названия признаков, представленные строками.

Добавлено в версии 1.0.

См. также

AdditiveChi2Sampler

Приближённое отображение признаков для аддитивного ядра chi2.

Nystroem

Приближает отображение ядра, используя подмножество тренировочных данных.

PolynomialCountSketch

Аппроксимация полиномиального ядра с помощью Tensor Sketch.

SkewedChi2Sampler

Приближённое отображение признаков для ядра «skewed chi-squared».

sklearn.metrics.pairwise.kernel_metrics

Список встроенных ядер.

Примечания

См. «Random Features for Large-Scale Kernel Machines» авторов A. Rahimi и Benjamin Recht.

[1] «Weighted Sums of Random Kitchen Sinks: Replacing minimization with randomization in learning» авторов A. Rahimi и Benjamin Recht. (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)[исходный код]

Обучает модель на X.

Выбирает случайную проекцию в соответствии с n_features.

Параметры:

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

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

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

Целевые значения (None для преобразований без учителя).

Возвращает:

selfобъект

Возвращает сам экземпляр.

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

Обучает на данных, затем преобразует 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]

Получает названия выходных признаков для преобразования.

К названиям выходных признаков будет добавлено имя класса в нижнем регистре. Например, если преобразователь возвращает 3 признака, их названия 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 строковых объектов

Названия преобразованных 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 сведения о маршрутизации.

get_params(deep=True)[исходный код]

Получает 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 их значениям.

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”}, по умолчанию=None

Настраивает формат выходных данных для transform и fit_transform.

• "default": формат выходных данных преобразователя по умолчанию
• "pandas": выходные данные в формате DataFrame
• "polars": выходные данные в формате Polars
• None: конфигурация преобразования остаётся без изменений

Добавлено в версии 1.4: Добавлена опция "polars".

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[исходный код]

Задаёт 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]

Применяет приближённое отображение признаков к X.

Параметры:

X{массивоподобный объект, разреженная матрица}, 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 в галерее

Явная аппроксимация отображения признаков для ядер RBF