Ctrl+K

PolynomialFeatures#

class sklearn.preprocessing.PolynomialFeatures(degree=2, *, interaction_only=False, include_bias=True, order='C')[源代码]#

生成多项和交互功能。

生成一个新的特征矩阵，由次数小于或等于指定次数的特征的所有多项组合组成。例如，如果输入样本是二维的并且是 [a, b] ，2次多项特征为 [1, a, b, a^2, ab, b^2] .

阅读更多的 User Guide .

参数:
degreeint或tuple（min_degree，max_degree），默认=2

如果给出单个int，则它指定多项特征的最大次数。如果一个二元组 (min_degree, max_degree) 通过了， min_degree 是最低值， max_degree 是生成特征的最大多次。注意 min_degree=0 和 min_degree=1 等效，因为输出零度项由以下公式确定 include_bias .

interaction_only布尔，默认=假

If True, only interaction features are produced: features that are products of at most degree distinct input features, i.e. terms with power of 2 or higher of the same input feature are excluded:

  • 包括： x[0] , x[1] , x[0] * x[1] 等。

  • 排除： x[0] ** 2 , x[0] ** 2 * x[1] 等。

include_bias布尔，默认=True

如果 True （默认），然后包括一个偏差列，该特征中的所有函数均为零（即一列1-充当线性模型中的拦截项）。

order' C '，'，默认=' C '

密集情况下输出数组的顺序。 'F' 顺序的计算速度更快，但可能会减慢后续估计的速度。

Added in version 0.21.

属性:
powers_ ：nd形状数组 (n_output_features_ , n_features_in_ )nd数组形状（

输出中每个输入的指数。

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.

n_output_features_int

多项输出特征的总数。输出特征的数量是通过迭代所有适当大小的输入特征组合来计算的。

参见

SplineTransformer

为特征生成一元B样条基的Transformer。

注意到

请注意，输出数组中的特征数量与输入数组的特征数量成正比，与程度成正比。过高的度数可能会导致过度贴合。

看到 examples/linear_model/plot_polynomial_interpolation.py

示例

>>> import numpy as np
>>> from sklearn.preprocessing import PolynomialFeatures
>>> X = np.arange(6).reshape(3, 2)
>>> X
array([[0, 1],
       [2, 3],
       [4, 5]])
>>> poly = PolynomialFeatures(2)
>>> poly.fit_transform(X)
array([[ 1.,  0.,  1.,  0.,  0.,  1.],
       [ 1.,  2.,  3.,  4.,  6.,  9.],
       [ 1.,  4.,  5., 16., 20., 25.]])
>>> poly = PolynomialFeatures(interaction_only=True)
>>> poly.fit_transform(X)
array([[ 1.,  0.,  1.,  0.],
       [ 1.,  2.,  3.,  6.],
       [ 1.,  4.,  5., 20.]])
fit(X, y=None)[源代码]#

计算输出特征的数量。

参数:
X形状（n_samples，n_features）的{类数组，稀疏矩阵}

数据。

y忽视

未使用，此处列出是为了按照惯例实现API一致性。

返回:
self对象

已安装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

输入功能。

  • 如果 input_features is None 那么 feature_names_in_ 在中用作功能名称。如果 feature_names_in_ 未定义，则生成以下输入要素名称： ["x0", "x1", ..., "x(n_features_in_ - 1)"] .

  • 如果 input_features 是一个类似阵列的，那么 input_features 必须匹配 feature_names_in_ 如果 feature_names_in_ 是定义的。

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]#

将数据转换为多项特征。

参数:
X形状（n_samples，n_features）的{类数组，稀疏矩阵}

要逐行转换的数据。

对于稀疏输入（为了速度），更喜欢CSR而不是CSC，但如果学位为4或更高，则需要CSC。如果度数小于4并且输入格式为CSC，则将转换为CSR，生成其多项特征，然后转换回CSC。

If the degree is 2 or 3, the method described in "Leveraging Sparsity to Speed Up Polynomial Feature Expansions of CSR Matrices Using K-Simplex Numbers" by Andrew Nystrom and John Hughes is used, which is much faster than the method used on CSC input. For this reason, a CSC input will be converted to CSR, and the output will be converted back to CSC prior to being returned, hence the preference of CSR.

返回:
XP{ndarray，sparse matrix}的形状（n_samples，NP）

特征矩阵，其中 NP 是从输入组合生成的多项特征的数量。如果提供了稀疏矩阵，则会将其转换为稀疏矩阵 csr_matrix .

On this page