PolynomialCountSketch

class sklearn.kernel_approximation.PolynomialCountSketch(*, gamma=1.0, degree=2, coef0=0, n_components=100, random_state=None)

多项式核近似通过张量草图。

实现张量草图，它逼近多项核的特征图：：

K(X, Y) = (gamma * <X, Y> + coef0)^degree

通过使用快速傅里叶变换（FT）有效地计算一个载体与其本身的外积的计数草图。阅读更多的 User Guide .

Added in version 0.24.

参数:

gammafloat，默认=1.0

将近似其特征映射的多项式核的参数。

degreeint，默认=2

特征图将被逼近的多项核的次数。

coef0int，默认=0

特征图将被逼近的多元核的常数项。

n_componentsint，默认=100

输出特征空间的特殊性。通常， n_components 为了实现良好的性能，应该大于输入样本中的特征数量。最佳分数/运行时间平衡通常在以下时间实现 n_components = 10 * n_features ，但这取决于所使用的具体数据集。

random_stateint，RandomState实例，默认=无

确定index哈希和bit哈希初始化的随机数生成。传递int以获得跨多个函数调用的可重复结果。看到 Glossary .

属性:

indexHash_nd形状数组（度，n_features），dype = int 64

范围[0，n_components]中的索引数组用于表示用于计数草图计算的2向独立哈希函数。

bitHash_nd形状数组（度，n_features），dype = float 32

在{+1，-1}中具有随机条目的数组，用于表示用于计数草图计算的2向独立哈希函数。

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。

Nystroem

使用训练数据的子集来逼近内核地图。

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。

示例

>>> from sklearn.kernel_approximation import PolynomialCountSketch
>>> from sklearn.linear_model import SGDClassifier
>>> X = [[0, 0], [1, 1], [1, 0], [0, 1]]
>>> y = [0, 0, 1, 1]
>>> ps = PolynomialCountSketch(degree=3, random_state=1)
>>> X_features = ps.fit_transform(X)
>>> clf = SGDClassifier(max_iter=10, tol=1e-3)
>>> clf.fit(X_features, y)
SGDClassifier(max_iter=10)
>>> clf.score(X_features, y)
1.0

有关更详细的使用示例，请参阅 具有多项核逼近的可扩展学习

fit(X, y=None)

Fit the model with X.

初始化内部变量。该方法不需要有关数据分布的信息，所以我们只关心X中的n_features。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}

训练数据，在哪里 n_samples 是样本数量和 n_features 是功能的数量。

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）。

返回:

self对象

返回实例本身。

fit_transform(X, y=None, **fit_params)

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)

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()

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)

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)

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)

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)

生成X的特征地图逼近。

参数:

X{array-like}，形状（n_samples，n_features）

新数据，其中 n_samples 是样本数量和 n_features 是功能的数量。

返回:

X_new类似阵列，形状（n_samples，n_components）

返回实例本身。