RBFSampler#
- class sklearn.kernel_approximation.RBFSampler(*, gamma=1.0, n_components=100, random_state=None)[源代码]#
Approximate a RBF kernel feature map using random Fourier features.
它实现了Random Kitchen Sinks的一个变体。 [1]
阅读更多的 User Guide .
- 参数:
- gamma“scale”或float，默认=1.0
RBS核参数：BEP（-gamma * x^2). If
gamma='scale'is passed then it uses 1 / (n_features * X.var（））作为gamma的值。Added in version 1.2: 的选项
"scale"在1.2中添加。- n_componentsint，默认=100
每个原始特征的蒙特卡洛样本数量。等于计算出的特征空间的维度。
- random_stateint，RandomState实例或无，默认=无
伪随机数生成器，用于在匹配训练数据时控制随机权重和随机偏差的生成。传递int以获得跨多个函数调用的可重复输出。看到 Glossary .
- 属性:
- random_offset_形状的nd数组（n_components，），dype ={np.float64，np.float32}
用于计算中的投影的随机偏差
n_components特征空间的维度。- random_weights_nd形状数组（n_features，n_components）， dype ={np.float64，np.float32}
根据RBS核的傅里叶变换绘制的随机投影方向。
- 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
Xhas 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。
PolynomialCountSketch多项式核近似通过张量草图。
SkewedChi2Sampler“斜卡方”核的大致特征地图。
sklearn.metrics.pairwise.kernel_metrics内置内核列表。
注意到
请参阅A。拉希米和本杰明·雷希特。
[1] “随机厨房水槽的加权和：在学习中用随机化取代最小化”作者：A。拉希米和本杰明·雷希特。（https：//people.eecs.berkeley.edu/spreadbrecht/papers/08.rah.rec.nips.pdf）
示例
>>> from sklearn.kernel_approximation import RBFSampler >>> from sklearn.linear_model import SGDClassifier >>> X = [[0, 0], [1, 1], [1, 0], [0, 1]] >>> y = [0, 0, 1, 1] >>> rbf_feature = RBFSampler(gamma=1, random_state=1) >>> X_features = rbf_feature.fit_transform(X) >>> clf = SGDClassifier(max_iter=5, tol=1e-3) >>> clf.fit(X_features, y) SGDClassifier(max_iter=5) >>> clf.score(X_features, y) 1.0
- fit(X, y=None)[源代码]#
Fit the model with X.
根据n_features对随机投影进行采样。
- 参数:
- X{类数组，稀疏矩阵}，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。