AdditiveChi2Sampler#

class sklearn.kernel_approximation.AdditiveChi2Sampler(*, sample_steps=2, sample_interval=None)#

近似特征映射用于加性chi2核。

使用在规则间隔上采样核特征的傅里叶变换。

由于要近似的核是加性的，因此可以分别处理输入向量的各个分量。原始空间中的每个条目被转换为2*sample_steps-1个特征，其中sample_steps是该方法的一个参数。sample_steps的典型值包括1、2和3。

对于某些数据范围，可以计算出采样间隔的最佳选择（参见参考文献）。默认值应该是合理的。

更多信息请参阅用户指南。

Parameters:

sample_stepsint, default=2: 给出复采样点的数量。
sample_intervalfloat, default=None: 采样间隔。当sample_steps不在{1,2,3}中时必须指定。

Attributes:

n_features_in_int: 在 fit 期间看到的特征数量。

Added in version 0.24.
feature_names_in_ndarray of shape ( n_features_in_ ,): 在 fit 期间看到的特征名称。仅当 X 的特征名称均为字符串时定义。

Added in version 1.0.

See also

SkewedChi2Sampler: 一种非加性chi squared核的傅里叶近似。
sklearn.metrics.pairwise.chi2_kernel: 精确的chi squared核。
sklearn.metrics.pairwise.additive_chi2_kernel: 精确的加性chi squared核。

Notes

该估计器近似于一个与 metric.additive_chi2 计算的略有不同的加性chi squared核版本。

该估计器是无状态的，不需要拟合。然而，我们建议调用 fit_transform 而不是 transform ，因为参数验证仅在 fit 中执行。

References

参见 “Efficient additive kernels via explicit feature maps” A. Vedaldi and A. Zisserman, Pattern Analysis and Machine Intelligence, 2011

Examples

>>> from sklearn.datasets import load_digits
>>> from sklearn.linear_model import SGDClassifier
>>> from sklearn.kernel_approximation import AdditiveChi2Sampler
>>> X, y = load_digits(return_X_y=True)
>>> chi2sampler = AdditiveChi2Sampler(sample_steps=2)
>>> X_transformed = chi2sampler.fit_transform(X, y)
>>> clf = SGDClassifier(max_iter=5, random_state=0, tol=1e-3)
>>> clf.fit(X_transformed, y)
SGDClassifier(max_iter=5, random_state=0)
>>> clf.score(X_transformed, y)
0.9499...

fit(X, y=None)#

仅验证估计器的参数。

此方法允许：(i) 验证估计器的参数和 (ii) 与scikit-learn转换器API保持一致。

Parameters:

Xarray-like, shape (n_samples, n_features): 训练数据，其中 n_samples 是样本数量和 n_features 是特征数量。
yarray-like, shape (n_samples,) 或 (n_samples, n_outputs), 默认=None: 目标值（无监督转换为None）。

Returns:

selfobject: 返回转换器。

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

拟合数据，然后进行转换。

将转换器拟合到 X 和 y ，并带有可选参数 fit_params ，并返回 X 的转换版本。

Parameters:

X形状为 (n_samples, n_features) 的类数组: 输入样本。
y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组, 默认=None: 目标值（无监督转换为 None）。
**fit_paramsdict: 其他拟合参数。

Returns:

X_new形状为 (n_samples, n_features_new) 的 ndarray 数组: 转换后的数组。

get_feature_names_out(input_features=None)#

获取变换后的输出特征名称。

Parameters:

input_features字符串数组或None，默认=None: 仅用于验证特征名称与在 fit 中看到的名称。

Returns:

feature_names_out字符串对象的ndarray: 变换后的特征名称。

get_metadata_routing()#

获取此对象的元数据路由。

请查看用户指南以了解路由机制的工作原理。

Returns:

routingMetadataRequest: MetadataRequest 封装的路由信息。

get_params(deep=True)#

获取此估计器的参数。

Parameters:

deepbool, 默认=True: 如果为True，将返回此估计器和包含的子对象（也是估计器）的参数。

Returns:

paramsdict: 参数名称映射到它们的值。

set_output(*, transform=None)#

设置输出容器。

请参阅介绍 set_output API 以了解如何使用API的示例。

Parameters:

transform{“default”, “pandas”, “polars”}, 默认=None

配置 transform 和 fit_transform 的输出。

"default" : 转换器的默认输出格式
"pandas" : DataFrame 输出
"polars" : Polars 输出
None : 转换配置不变

Added in version 1.4: "polars" 选项已添加。

Returns:

self估计器实例: 估计器实例。

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 ）。后者具有形式为 <component>__<parameter> 的参数，以便可以更新嵌套对象的每个组件。

Parameters:

**paramsdict: 估计器参数。

Returns:

selfestimator instance: 估计器实例。

transform(X)#

应用近似特征映射到X。

Parameters:

X{array-like, sparse matrix}, shape (n_samples, n_features): 训练数据，其中 n_samples 是样本的数量和 n_features 是特征的数量。

Returns:

X_new{ndarray, sparse matrix}, shape = (n_samples, n_features * (2*sample_steps - 1)): 返回值是数组还是稀疏矩阵取决于输入X的类型。