PolynomialCountSketch#

class sklearn.kernel_approximation.PolynomialCountSketch(*, gamma=1.0, degree=2, coef0=0, n_components=100, random_state=None)#

多项式核近似通过张量草图实现。

实现张量草图，该草图近似于多项式核的特征映射:

K(X, Y) = (gamma * <X, Y> + coef0)^degree

通过高效计算向量与其自身的内积的Count Sketch，使用快速傅里叶变换（FFT）。更多信息请参见 用户指南 。

Added in version 0.24.

Parameters:
gammafloat, default=1.0

多项式核的参数，其特征映射将被近似。

degreeint, default=2

多项式核的度数，其特征映射将被近似。

coef0int, default=0

多项式核的常数项，其特征映射将被近似。

n_componentsint, default=100

输出特征空间的维度。通常， n_components 应大于输入样本中的特征数量，以实现良好的性能。最佳的分数/运行时间平衡通常在 n_components = 10 * n_features 附近实现，但这取决于所使用的特定数据集。

random_stateint, RandomState instance, default=None

用于索引哈希和位哈希初始化的随机数生成。传递一个int以在多次函数调用中获得可重复的结果。请参见 术语 。

Attributes:
indexHash_ndarray of shape (degree, n_features), dtype=int64

用于表示Count Sketch计算的2-wise独立哈希函数的索引数组，范围在[0, n_components)。

bitHash_ndarray of shape (degree, n_features), dtype=float32

具有随机条目{+1, -1}的数组，用于表示Count Sketch计算的2-wise独立哈希函数。

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

AdditiveChi2Sampler

近似加性chi2核的特征映射。

Nystroem

使用部分训练数据近似核映射。

RBFSampler

使用随机傅里叶特征近似RBF核特征映射。

SkewedChi2Sampler

近似“偏斜卡方”核的特征映射。

sklearn.metrics.pairwise.kernel_metrics

内置核列表。

Examples

>>> from sklearn.kernel_approximation import PolynomialCountSketch
>>> from sklearn.linear_model import SGDClassifier
>>> X = [[0, 0], [1, 1], [1, 0], [0, 1]]
>>> y = [0, 0, 1, 1]
>>> ps = PolynomialCountSketch(degree=3, random_state=1)
>>> X_features = ps.fit_transform(X)
>>> clf = SGDClassifier(max_iter=10, tol=1e-3)
>>> clf.fit(X_features, y)
SGDClassifier(max_iter=10)
>>> clf.score(X_features, y)
1.0

有关更详细的示例，请参见 通过多项式核近似实现可扩展学习

fit(X, y=None)#

拟合模型与X。

初始化内部变量。该方法不需要关于数据分布的信息，所以我们只关心X中的n_features。

Parameters:
X{array-like, sparse matrix}，形状为 (n_samples, n_features)

训练数据，其中 n_samples 是样本数量， n_features 是特征数量。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的 array-like, 默认=None

目标值（无监督变换时为None）。

Returns:
selfobject

返回实例本身。

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)#

获取转换后的输出特征名称。

输出特征名称将以小写的类名作为前缀。例如，如果转换器输出3个特征，那么输出特征名称将是： ["class_name0", "class_name1", "class_name2"] 。

Parameters:
input_features类似数组的对象或None，默认为None

仅用于验证特征名称与 fit 中看到的名称。

Returns:
feature_names_outndarray of str对象

转换后的特征名称。

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)#

生成X的特征图近似。

Parameters:
X{array-like}, shape (n_samples, n_features)

新数据，其中 n_samples 是样本数量 和 n_features 是特征数量。

Returns:
X_newarray-like, shape (n_samples, n_components)

返回实例本身。

On this page
Show Source