KernelCenterer

class sklearn.preprocessing.KernelCenterer

将任意核矩阵置于中心 \(K\) .

让定义一个内核 \(K\) 这样：

\[K（X，Y）= \phy（X）。\ph（Y）'{T}\]

\(\phi(X)\) 是行的函数映射 \(X\) 到一个希尔伯特空间， \(K\) 形状 (n_samples, n_samples) .

这个类允许计算 \(\tilde{K}(X, Y)\) 这样：

\[\tilde{K(X, Y)} = \tilde{\phi}(X) . \tilde{\phi}(Y)^{T}\]

\(\tilde{\phi}(X)\) 是Hilbert空间中的中心映射数据。

KernelCenterer 使要素居中，而不显式计算映射 \(\phi(\cdot)\) .在处理代数计算（例如特征分解）时，有时预计使用中心核 KernelPCA 譬如说

阅读更多的 User Guide .

属性:

K_fit_rows_形状的nd数组（n_samples，）

核矩阵每列的平均值。

K_fit_all_浮子

核矩阵的平均值。

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

sklearn.kernel_approximation.Nystroem

使用训练数据的子集来逼近内核地图。

引用

[1]

Schölkopf, Bernhard, Alexander Smola, and Klaus-Robert Müller. "Nonlinear component analysis as a kernel eigenvalue problem." Neural computation 10.5 (1998): 1299-1319. <https://www.mlpack.org/papers/kpca.pdf> _

示例

>>> from sklearn.preprocessing import KernelCenterer
>>> from sklearn.metrics.pairwise import pairwise_kernels
>>> X = [[ 1., -2.,  2.],
...      [ -2.,  1.,  3.],
...      [ 4.,  1., -2.]]
>>> K = pairwise_kernels(X, metric='linear')
>>> K
array([[  9.,   2.,  -2.],
       [  2.,  14., -13.],
       [ -2., -13.,  21.]])
>>> transformer = KernelCenterer().fit(K)
>>> transformer
KernelCenterer()
>>> transformer.transform(K)
array([[  5.,   0.,  -5.],
       [  0.,  14., -14.],
       [ -5., -14.,  19.]])

fit(K, y=None)

适合KernelCenter。

参数:

K形状的nd数组（n_samples，n_samples）

核心矩阵。

y没有一

忽视

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。

set_transform_request(*, copy: bool | None | str = '$UNCHANGED$') → KernelCenterer

请求元数据传递给 transform 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

• True ：元数据被请求并传递给 transform 如果提供的话。如果未提供元数据，则会忽略请求。

• False ：未请求元数据，元估计器不会将其传递给 transform .

• None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。

• str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

copy字符串、真、假或无， 默认=sklearn.utils. metalics_Routing.UNChanged

元数据路由 copy 参数 transform .

返回:

self对象

更新的对象。

transform(K, copy=True)

中心核心矩阵。

参数:

K形状的nd数组（n_samples1，n_samples2）

核心矩阵。

copy布尔，默认=True

设置为False以执行就地计算。

返回:

K_new形状的nd数组（n_samples1，n_samples2）

返回实例本身。