Ctrl+K

SplineTransformer#

class sklearn.preprocessing.SplineTransformer(n_knots=5, degree=3, *, knots='uniform', extrapolation='constant', include_bias=True, order='C', sparse_output=False)[源代码]#

为特征生成一元B样条基。

Generate a new feature matrix consisting of n_splines=n_knots + degree - 1 (n_knots - 1 for extrapolation="periodic") spline basis functions (B-splines) of polynomial order=`degree` for each feature.

要了解有关SplineTransformer类的更多信息，请访问： 与时间相关的特征工程

阅读更多的 User Guide .

Added in version 1.0.

参数:
n_knotsint，默认=5

样条线的节数如果 knots 等于“均匀”、“分位数”中的一个。必须大于或等于2。如果被忽视 knots 是类似阵列的。

degreeint，默认=3

样条基的多项次数。必须是非负整数。

knots“均匀”、“分位数”}或类似阵列的形状 （n_knots，n_features），默认=' uniform '

设置结位置，使第一个结<=特征<=最后一个结。

  • 如果“制服”， n_knots 结的数量从特征的最小值到最大值均匀分布。

  • 如果是“分位数”，则它们沿着特征的分位数均匀分布。

  • 如果给定一个类数组，它直接指定包括边界节点在内的已排序节点位置。请注意，在内部， degree 在第一个结之前添加结的数量，在最后一个结之后添加结的数量相同。

extrapolation“错误”、“常数”、“线性”、“继续”、“ 默认='不变'

如果“错误”，训练功能的最小值和最大值之外的值将引发 ValueError .如果“恒定”，则将特征最小和最大值处的样条线值用作恒定外推。如果“线性”，则使用线性外推。如果“继续”，则按原样外推样条线，即选项 extrapolate=True 在 scipy.interpolate.BSpline .如果“√”，则使用周期等于第一个结和最后一个结之间距离的周期样条线。周期样条在第一个结和最后一个结处强制相等的函数值和求导。例如，这使得可以避免在从自然周期的“一年中的一天”输入特征衍生的样条线特征中引入12月31日和1月1日之间的任意跳跃。在这种情况下，建议手动设置结值来控制周期。

include_bias布尔，默认=True

如果为False，则删除要素数据范围内的最后一个样条线元素。由于B样条在每个数据点的样条基函数上总和为一，因此它们隐含地包括一个偏差项，即一列一。它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。

sparse_output布尔，默认=假

如果设置为True，将返回稀疏CSR矩阵，否则将返回数组。此选项仅适用于 scipy>=1.8 .

Added in version 1.2.

属性:
bsplines_形状列表（n_features，）

B样条线对象列表，每个要素一个。

n_features_in_int

输入功能的总数。

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_features_out_int

The total number of output features, which is computed as n_features * n_splines, where n_splines is the number of bases elements of the B-splines, n_knots + degree - 1 for non-periodic splines and n_knots - 1 for periodic ones. If include_bias=False, then it is only n_features * (n_splines - 1).

参见

KBinsDiscretizer

将连续数据打包到间隔中的Transformer器。

PolynomialFeatures

生成多项和交互特征的Transformer。

注意到

高度和大量的结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 SplineTransformer
>>> X = np.arange(6).reshape(6, 1)
>>> spline = SplineTransformer(degree=2, n_knots=3)
>>> spline.fit_transform(X)
array([[0.5 , 0.5 , 0.  , 0.  ],
       [0.18, 0.74, 0.08, 0.  ],
       [0.02, 0.66, 0.32, 0.  ],
       [0.  , 0.32, 0.66, 0.02],
       [0.  , 0.08, 0.74, 0.18],
       [0.  , 0.  , 0.5 , 0.5 ]])
fit(X, y=None, sample_weight=None)[源代码]#

计算样条线的结位置。

参数:
X形状类似阵列（n_samples，n_features）

数据。

y没有一

忽视

sample_weight形状类似数组（n_samples，），默认=无

每个样本的单独重量。用于计算分位数，如果 knots="quantile" .为 knots="uniform" ，忽略零加权观察来查找的最小值和最大值 X .

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 是 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_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → SplineTransformer[源代码]#

请求元数据传递给 fit 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 fit 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 fit .

  • 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:
sample_weight字符串、真、假或无， 默认=sklearn.utils. metalics_Routing.UNChanged

元数据路由 sample_weight 参数 fit .

返回:
self对象

更新的对象。

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]#

将每个特征数据转换为B样条。

参数:
X形状类似阵列（n_samples，n_features）

要转换的数据。

返回:
XBS形状（n_samples，n_features * n_样条）的{nd数组，稀疏矩阵}

特征矩阵，其中n_样条是B样条基元素的数量，n_knots +度-1。

On this page