AdditiveChi2Sampler#
- class sklearn.kernel_approximation.AdditiveChi2Sampler(*, sample_steps=2, sample_interval=None)[源代码]#
添加剂chi 2内核的大致特征图。
使用以规则间隔对内核特征的傅里叶变换进行采样。
由于要逼近的核是可加性的，因此可以单独处理输入载体的分量。 原始空间中的每个条目都被转换为2*sample_steps-1个特征，其中sample_steps是方法的参数。sample_steps的典型值包括1、2和3。
可以计算某些数据范围的采样间隔的最佳选择（请参阅参考文献）。默认值应该合理。
阅读更多的 User Guide .
- 参数:
- sample_stepsint，默认=2
给出（复杂）采样点的数量。
- sample_intervalfloat，默认=无
采样间隔。当sample_steps不在{1，2，3}中时必须指定。
- 属性:
参见
SkewedChi2Sampler卡平方核的非加性变体的傅里叶逼近。
sklearn.metrics.pairwise.chi2_kernel确切的卡平方核。
sklearn.metrics.pairwise.additive_chi2_kernel确切的加性卡平方核。
注意到
该估计器逼近加性卡平方核的稍微不同版本，然后
metric.additive_chi2计算。该估计器是无状态的，不需要进行调整。不过，我们建议致电
fit_transform而不是transform，因为参数验证仅在fit.引用
看到 "Efficient additive kernels via explicit feature maps" A.维达尔迪和A.齐瑟曼，模式分析与机器智能，2011年
示例
>>> 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...
- fit(X, y=None)[源代码]#
仅验证估计器的参数。
该方法允许：（i）验证估计器的参数以及（ii）与scikit-learn Transformer API一致。
- 参数:
- X类数组，形状（n_samples，n_features）
训练数据，在哪里
n_samples是样本数量和n_features是功能的数量。- y类阵列，形状（n_samples，）或（n_samples，n_outputs）， 默认值=无
目标值（无监督转换）。
- 返回:
- self对象
返回Transformer。
- fit_transform(X, y=None, **fit_params)[源代码]#
适应数据，然后对其进行转换。
适合变压器
X和y具有可选参数fit_params并返回的转换版本X.- 参数:
- X形状类似阵列（n_samples，n_features）
输入样本。
- y形状为（n_samples，）或（n_samples，n_outputs）的阵列状， 默认值=无
目标值（无监督转换）。
- **fit_paramsdict
其他适合参数。
- 返回:
- X_newndray形状数组（n_samples，n_features_new）
变形的数组。
- get_feature_names_out(input_features=None)[源代码]#
获取用于转换的输出要素名称。
- 参数:
- input_features字符串或无的类数组，默认=无
仅用于通过中看到的名称验证要素名称
fit.
- 返回:
- feature_names_out字符串对象的nd数组
转换的功能名称。
- get_metadata_routing()[源代码]#
获取此对象的元数据路由。
请检查 User Guide 关于路由机制如何工作。
- 返回:
- routingMetadataRequest
A
MetadataRequest封装路由信息。
- get_params(deep=True)[源代码]#
获取此估计器的参数。
- 参数:
- deep布尔，默认=True
如果为True，将返回此估计量和包含的作为估计量的子对象的参数。
- 返回:
- paramsdict
参数名称映射到其值。
- set_output(*, transform=None)[源代码]#
设置输出容器。
看到 介绍 set_output API 了解如何使用API的示例。
- 参数:
- transform{“默认”，“pandas”，“polars”}，默认=无
配置输出
transform和fit_transform."default"：Transformer的默认输出格式"pandas"：DataFrame输出"polars"：两极输出None：转换配置不变
Added in version 1.4:
"polars"添加了选项。
- 返回:
- self估计器实例
估计实例。