RBFSampler#

class sklearn.kernel_approximation.RBFSampler(*, gamma=1.0, n_components=100, random_state=None)#

近似使用随机傅里叶特征的RBF核特征映射。

它实现了随机厨房水槽的一种变体。[1]

更多信息请参阅 用户指南 。

Parameters:
gamma‘scale’ 或 float, default=1.0

RBF核的参数: exp(-gamma * x^2)。 如果传递 gamma='scale' ，则使用 1 / (n_features * X.var()) 作为 gamma 的值。

Added in version 1.2: 选项 "scale" 在 1.2 版本中添加。

n_componentsint, default=100

每个原始特征的蒙特卡罗样本数。 等于计算的特征空间的维度。

random_stateint, RandomState 实例或 None, default=None

伪随机数生成器，用于控制随机权重的生成和随机偏移，当拟合训练数据时。 传递一个 int 以在多次函数调用中获得可重复的输出。 请参阅 术语 。

Attributes:
random_offset_ndarray of shape (n_components,), dtype={np.float64, np.float32}

用于在特征空间的 n_components 维度中计算投影的随机偏移。

random_weights_ndarray of shape (n_features, n_components), dtype={np.float64, np.float32}

从RBF核的傅里叶变换中抽取的随机投影方向。

n_features_in_int

在 fit 期间看到的特征数。

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。

PolynomialCountSketch

通过张量草图近似多项式核。

SkewedChi2Sampler

近似“偏斜卡方”核的特征映射。

sklearn.metrics.pairwise.kernel_metrics

内置核的列表。

Notes

参见 A. Rahimi 和 Benjamin Recht 的 “Random Features for Large-Scale Kernel Machines”。

[1] “Weighted Sums of Random Kitchen Sinks: Replacing minimization with randomization in learning” by A. Rahimi and Benjamin Recht. (https://people.eecs.berkeley.edu/~brecht/papers/08.rah.rec.nips.pdf)

Examples

>>> from sklearn.kernel_approximation import RBFSampler
>>> from sklearn.linear_model import SGDClassifier
>>> X = [[0, 0], [1, 1], [1, 0], [0, 1]]
>>> y = [0, 0, 1, 1]
>>> rbf_feature = RBFSampler(gamma=1, random_state=1)
>>> X_features = rbf_feature.fit_transform(X)
>>> clf = SGDClassifier(max_iter=5, tol=1e-3)
>>> clf.fit(X_features, y)
SGDClassifier(max_iter=5)
>>> clf.score(X_features, y)
1.0
fit(X, y=None)#

拟合模型与X。

根据n_features随机投影样本。

Parameters:
X{array-like, sparse matrix}, 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（无监督变换为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)#

应用近似特征映射到X。

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

新数据，其中 n_samples 是样本的数量 和 n_features 是特征的数量。

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

返回实例本身。

On this page
Show Source