Ctrl+K

尼斯特罗姆#

class sklearn.kernel_approximation.Nystroem(kernel='rbf', *, gamma=None, coef0=None, degree=None, kernel_params=None, n_components=100, random_state=None, n_jobs=None)[源代码]#

使用训练数据的子集来逼近内核地图。

使用数据的子集作为基础，为任意内核构建大致特征地图。

阅读更多的 User Guide .

Added in version 0.13.

参数:
kernel字符串或可调用，默认=' rBF '

要逼近的核心地图。可调用对象应该接受两个参数和传递给该对象的关键字参数，作为 kernel_params ，并应返回浮点数。

gammafloat，默认=无

RBS、Laplacian、Polynomic、指数chi 2和Sigmoid核的Gamma参数。默认值的解释由内核负责;请参阅sklearn. metrics. pairwise的文档。被其他果仁忽视。

coef0float，默认=无

多项核和Sigmoid核的零系数。被其他果仁忽视。

degreefloat，默认=无

多项核的次数。被其他果仁忽视。

kernel_paramsdict，默认=无

作为可调用对象传递的内核函数的附加参数（关键字参数）。

n_componentsint，默认=100

要构建的功能数量。将使用多少个数据点来构建映射。

random_stateint，RandomState实例或无，默认=无

伪随机数生成器，用于控制均匀采样，而无需替换 n_components 的训练数据来构建基核。传递int以获得跨多个函数调用的可重复输出。看到 Glossary .

n_jobsint，默认=无

用于计算的作业数。这是通过将内核矩阵分解为 n_jobs 甚至切片并并行计算它们。

None 意思是1，除非在a中 joblib.parallel_backend 上下文 -1 意味着使用所有处理器。看到 Glossary 了解更多详细信息。

Added in version 0.24.

属性:
components_ndrow形状数组（n_components，n_features）

用于构建特征图的训练点子集。

component_indices_形状的nd数组（n_components）

指标 components_ 在训练集中。

normalization_形状的nd数组（n_components，n_components）

嵌入所需的正规化矩阵。核矩阵的平方根 components_ .

n_features_in_int

期间看到的功能数量 fit .

Added in version 0.24.

feature_names_in_ ：nd形状数组 (n_features_in_ ,)nd数组形状（

Names of features seen during fit. Defined only when X has feature names that are all strings.

Added in version 1.0.

参见

AdditiveChi2Sampler

添加剂chi 2内核的大致特征图。

PolynomialCountSketch

多项式核近似通过张量草图。

RBFSampler

Approximate a RBF kernel feature map using random Fourier features.

SkewedChi2Sampler

“斜卡方”核的大致特征地图。

sklearn.metrics.pairwise.kernel_metrics

内置内核列表。

引用

  • 威廉姆斯，CKI和西格，M.“使用Nystroem方法加速内核机器”，神经信息处理系统的进展2001

  • T.杨，Y.李，M。马赫达维，R. Jin和Z。周“Nystroem方法与随机傅里叶特征：理论和经验比较”，神经信息处理系统进展2012

示例

>>> from sklearn import datasets, svm
>>> from sklearn.kernel_approximation import Nystroem
>>> X, y = datasets.load_digits(n_class=9, return_X_y=True)
>>> data = X / 16.
>>> clf = svm.LinearSVC()
>>> feature_map_nystroem = Nystroem(gamma=.2,
...                                 random_state=1,
...                                 n_components=300)
>>> data_transformed = feature_map_nystroem.fit_transform(data)
>>> clf.fit(data_transformed, y)
LinearSVC()
>>> clf.score(data_transformed, y)
0.9987...
fit(X, y=None)[源代码]#

将估计量与数据匹配。

对训练点的子集进行采样，计算这些点的核并计算正规化矩阵。

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

返回实例本身。

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。

输出的功能名称将以大写的类别名称为开头。例如，如果Transformer输出3个特征，则输出的特征名称为： ["class_name0", "class_name1", "class_name2"] .

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。

set_params(**params)[源代码]#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ).后者具有以下形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。

参数:
**paramsdict

估计参数。

返回:
self估计器实例

估计实例。

transform(X)[源代码]#

将特征映射应用于X。

使用一些训练点和X之间的内核计算大致特征地图。

参数:
X形状类似阵列（n_samples，n_features）

数据转换。

返回:
X_transformed形状的nd数组（n_samples，n_components）

转换的数据。

On this page