sklearn.kernel_approximation.AdditiveChi2Sampler¶
class sklearn.kernel_approximation.AdditiveChi2Sampler(*, sample_steps=2, sample_interval=None)
[源码]
AdditiveChi2Sampler内核的近似特征图
在一定的区间内对核特征进行Fourier变换采样。
由于要逼近的核是可加的,所以输入向量的分量可以单独处理。原始空间中的每个条目被转换为2*SAMPLE_STEP+1特性,其中SAMPLE_STEP是该方法的一个参数。SAMPLE_STEP的典型值包括1、2和3。
可以计算某些数据范围的抽样间隔的最佳选择(参见参考)。默认值应该是合理的。
阅读更多内容用户指南.
参数 | 说明 |
---|---|
sample_steps | int, optional 给出(复)取样点的数目。 |
sample_interval | float, optional 采样间隔,当SAMPLE_STEP不在{1,2,3}中时必须指定。 |
属性 | 说明 |
---|---|
sample_interval_ | float 存储采样间隔如果SAMPLE_STEP不在{1,2,3}中指定为参数。 |
另见
X平方核的非加性变体的傅里叶逼近。
sklearn.metrics.pairwise.chi2_kernel
精确的七平方核。
sklearn.metrics.pairwise.additive_chi2_kernel
精确的加性X平方核。
注
此估算器近似近加和卡方内核的版本,由metric.additive_chi2计算。
参考文献
1 See “Efficient additive kernels via explicit feature maps” A. Vedaldi and A. Zisserman, Pattern Analysis and Machine Intelligence, 2011
实例
>>> from sklearn.datasets import load_digits
>>> from sklearn.linear_model import SGDClassifier
>>> from sklearn.kernel_approximation import AdditiveChi2Sampler
>>> X, y = load_digits(return_X_y=True)
>>> chi2sampler = AdditiveChi2Sampler(sample_steps=2)
>>> X_transformed = chi2sampler.fit_transform(X, y)
>>> clf = SGDClassifier(max_iter=5, random_state=0, tol=1e-3)
>>> clf.fit(X_transformed, y)
SGDClassifier(max_iter=5, random_state=0)
>>> clf.score(X_transformed, y)
0.9499...
方法 | 说明 |
---|---|
fit (self, X[, y]) |
设置参数 |
fit_transform (self, X[, y]) |
适合数据,然后转换它。 |
get_params (self[, deep]) |
获取此估计器的参数。 |
set_params (self, **params) |
设置此估计器的参数。 |
transform (self, X) |
将近似特征映射应用于X。 |
__init__(self, *, sample_steps=2, sample_interval=None)
[源码]
初始化self, 请参阅help(type(self))以获得准确的说明
fit(self, X, y=None)
[源码]
设置参数
参数 | 说明 |
---|---|
X | array-like, shape (n_samples, n_features) 训练数据,其中n个样本中的样本数和n个特征数就是特征数。 |
返回值 | 说明 |
---|---|
self | object 返回 transformer |
fit_transform(self, X, y=None,**fit_params)
[源码]
拟合数据,然后对其进行转换。
使用可选参数fit_params将转换器拟合到X和y,并返回X的转换版本。
参数 | 说明 |
---|---|
x | {array-like, sparse matrix, dataframe} of shape (n_samples, n_features) |
y | ndarray of shape (n_samples,), default=None 目标值。 |
fit_params | dict 其他拟合参数。 |
返回值 | 说明 |
---|---|
X_new | ndarray array of shape (n_samples, n_features_new) 变换数组 |
get_params(self, deep=True)
[源码]
获取此估计量的参数。
参数 | 说明 |
---|---|
deep | bool, default=True 如果为True,则将返回此估计器的参数和包含的子对象,这些子对象是估计量。 |
返回值 | 说明 |
---|---|
params | mapping of string to any 映射到其值的参数名称。 |
set_params(self, **params)
[源码]
该方法适用于简单的估计量以及嵌套对象(例如pipelines)。 后者的参数格式为
参数 | 说明 |
---|---|
params | dict 估计参数 |
返回值 | 说明 |
---|---|
self | object 估计实例 |
transform(self, X)
[源码]
将近似特征映射应用于X。
参数 | 说明 |
---|---|
x | {array-like, sparse matrix} of shape (n_samples, n_features) |
返回值 | 说明 |
---|---|
X_new | {array, sparse matrix}, shape = (n_samples, n_features * (2*sample_steps + 1)) 返回值是否为稀疏矩阵数组取决于输入X的类型。 |