SkewedChi2Sampler

classsklearn.kernel_approximation.SkewedChi2Sampler(*, skewedness=1.0, n_components=100, random_state=None)[source]

Приближенное отображение признаков для ядра «скошенной хи-квадрат».

Подробнее см. в Руководстве пользователя.

Параметры:

skewednessfloat, по умолчанию=1.0

Параметр «скошенности» ядра. Требуется перекрестная проверка.

n_componentsint, по умолчанию=100

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

random_stateint, RandomState instance или None, по умолчанию=None

Псевдослучайный генератор для управления генерацией случайных весов и случайного смещения при подгонке обучающих данных. Передайте целое число для воспроизводимого результата при нескольких вызовах функции. См. Словарь.

Атрибуты:

random_weights_массив ndarray формы (n_features, n_components)

Массив весов, взятый из распределения секанс-гиперболических функций, который будет использоваться для линейного преобразования логарифма данных.

random_offset_массив ndarray формы (n_features, n_components)

Член смещения, который будет добавлен к данным. Он равномерно распределен между 0 и 2*pi.

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлена в версии 0.24.

feature_names_in_массив ndarray формы (n_features_in_,)

Названия признаков, увиденные во время fit. Определены только тогда, когда X имеет имена признаков, которые являются строками.

Добавлена в версии 1.0.

См. также

AdditiveChi2Sampler

Приближенное отображение признаков для аддитивного ядра хи-квадрат.

Nystroem

Приблизить отображение ядра, используя подмножество обучающих данных.

RBFSampler

Приблизить отображение ядра RBF, используя случайные функции Фурье.

SkewedChi2Sampler

Приближенное отображение признаков для ядра «скошенной хи-квадрат».

sklearn.metrics.pairwise.chi2_kernel

Точное ядро хи-квадрат.

sklearn.metrics.pairwise.kernel_metrics

Список встроенных ядер.

Ссылки

См. «Случайные приближения Фурье для скошенных мультипликативных гистограммных ядер» Фюксин Ли, Каталин Ионеску и Кристиан Сминчисеску.

Примеры

>>> from sklearn.kernel_approximation import SkewedChi2Sampler
>>> from sklearn.linear_model import SGDClassifier
>>> X = [[0, 0], [1, 1], [1, 0], [0, 1]]
>>> y = [0, 0, 1, 1]
>>> chi2_feature = SkewedChi2Sampler(skewedness=.01,
...                                  n_components=10,
...                                  random_state=0)
>>> X_features = chi2_feature.fit_transform(X, y)
>>> clf = SGDClassifier(max_iter=10, tol=1e-3)
>>> clf.fit(X_features, y)
SGDClassifier(max_iter=10)
>>> clf.score(X_features, y)
1.0

fit(X, y=None)[source]

Подогнать модель к X.

Выборка случайной проекции в соответствии с n_features.

Параметры:

Xarray-like, форма (n_samples, n_features)

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

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

Значения целевых переменных (None для неконтролируемых преобразований).

Возвращает:

selfобъект

Возвращает сам экземпляр.

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

Подгонка к данным, затем преобразование.

Подгоняет трансформер к X и y с необязательными параметрами fit_params и возвращает преобразованную версию X.

Параметры:

Xarray-like, форма (n_samples, n_features)

Входные образцы.

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

Значения целевых переменных (None для неконтролируемых преобразований).

**fit_paramsdict

Дополнительные параметры подгонки.

Возвращает:

X_newмассив ndarray формы (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[source]

Получить имена выходных признаков для преобразования.

Имена выходных признаков будут предваряться строкой, преобразованной в нижний регистр. Например, если трансформер выводит 3 признака, то имена признаков: ["class_name0", "class_name1", "class_name2"].

Параметры:

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

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

Возвращает:

feature_names_outмассив ndarray из str объектов

Имена преобразованных признаков.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, обратитесь к Руководству пользователя по тому, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest инкапсулирующий маршрутную информацию.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, возвращает параметры этого оценщика и содержащихся в нем подобъектов, которые являются оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные со значениями.

set_output(*, transform=None)[source]

Установить контейнер вывода.

См. Представление API set_output для примера использования API.

Параметры:

transform{“default”, “pandas”, “polars”}, default=None

Настройка вывода transform и fit_transform.

• "default": Формат вывода по умолчанию преобразователя
• "pandas": Вывод в формате DataFrame
• "polars": Вывод в формате Polars
• None: Конфигурация преобразования не изменена

Добавлена 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>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

transform(X)[source]

Применить приближенную карту функций к X.

Параметры:

Xarray-like, форма (n_samples, n_features)

Новые данные, где n_samples — количество образцов, а n_features — количество признаков. Все значения X должны быть строго больше, чем «-skewedness».

Возвращает:

X_newarray-like, форма (n_samples, n_components)

Возвращает сам экземпляр.