SkewedChi2Sampler

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

Приближённое отображение признаков для ядра «перекошенного хи-квадрат».

Подробнее см. в руководстве пользователя.

Параметры:

skewednessfloat, по умолчанию=1.0

Параметр «skewedness» ядра. Его значение необходимо подбирать с помощью кросс-валидации.

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, управляющий генерацией случайных весов и случайного смещения при обучении на обучающих данных. Передайте целое число, чтобы получать воспроизводимые результаты при нескольких вызовах функции. См. глоссарий.

Атрибуты:

random_weights_ndarray формы (n_features, n_components)

Массив весов, выбранных из распределения гиперболического секанса; используется для линейного преобразования логарифма данных.

random_offset_ndarray формы (n_features, n_components)

Слагаемое смещения, добавляемое к данным. Имеет равномерное распределение в диапазоне от 0 до 2*pi.

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, обнаруженных 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

Приближённое отображение ядра с использованием подмножества обучающих данных.

RBFSampler

Приближённое отображение признаков RBF-ядра с использованием случайных признаков Фурье.

SkewedChi2Sampler

Приближённое отображение признаков для ядра «перекошенного хи-квадрат».

sklearn.metrics.pairwise.chi2_kernel

Точное ядро хи-квадрат.

sklearn.metrics.pairwise.kernel_metrics

Список встроенных ядер.

Литература

См. «Random Fourier Approximations for Skewed Multiplicative Histogram Kernels» Фусина Ли, Каталина Ионеску и Кристиана 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)[исходный код]

Обучить модель на X.

Выбирает случайную проекцию в соответствии с n_features.

Параметры:

Xarray-like, форма (n_samples, n_features)

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

yarray-like, форма (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 модель на данных, а затем преобразовать их.

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

Параметры:

Xarray-like формы (n_samples, n_features)

Входные образцы.

yarray-like 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 если оцениватель принимает дополнительные параметры в методе fit.

Возвращает:

X_newndarray формы (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[исходный код]

Получить названия выходных признаков после преобразования.

К названиям выходных признаков добавляется имя класса в нижнем регистре. Например, если преобразователь возвращает 3 признака, их названия будут следующими: ["class_name0", "class_name1", "class_name2"].

Параметры:

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

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

Возвращает:

feature_names_outndarray из строковых объектов

Названия преобразованных признаков.

get_metadata_routing()[исходный код]

Получить маршрутизацию метаданных этого объекта.

Сведения о работе механизма маршрутизации см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий сведения о маршрутизации.

get_params(deep=True)[исходный код]

Получить параметры этого оценивателя.

Параметры:

deepbool, по умолчанию=True

Если True, будут возвращены параметры этого оценивателя и содержащихся в нём подобъектов, которые являются оценивателями.

Возвращает:

paramsdict

Названия параметров, сопоставленные их значениям.

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

Задать контейнер выходных данных.

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

Настроить 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 не изменяется

Добавлено в версии 1.4: добавлен параметр "polars".

Возвращает:

selfэкземпляр оценивателя

Экземпляр оценивателя.

set_params(**params)[исходный код]

Задать параметры этого оценивателя.

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

Параметры:

**paramsdict

Параметры оценивателя.

Возвращает:

selfэкземпляр оценивателя

Экземпляр оценивателя.

transform(X)[исходный код]

Применить приближённое отображение признаков 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 «-skewedness».

Возвращает:

X_newarray-like, форма (n_samples, n_components)

Возвращает сам экземпляр.