SkewedChi2Sampler#

class sklearn.kernel_approximation.SkewedChi2Sampler(*, skewedness=1.0, n_components=100, random_state=None)#

近似“偏斜卡方”核的特征映射。

更多信息请参阅用户指南。

Parameters:

skewednessfloat, default=1.0: 核的“偏斜度”参数。需要进行交叉验证。
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，用于控制拟合训练数据时随机权重的生成和随机偏移。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 Glossary 。

Attributes:

random_weights_ndarray of shape (n_features, n_components): 权重数组，从正割双曲分布中采样，将用于线性变换数据的 log。
random_offset_ndarray of shape (n_features, n_components): 偏置项，将添加到数据中。它在 0 和 2*pi 之间均匀分布。
n_features_in_int: 在 fit 过程中看到的特征数。

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

Added in version 1.0.

See also

AdditiveChi2Sampler: 近似加性卡方核的特征映射。
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.chi2_kernel: 精确的卡方核。
sklearn.metrics.pairwise.kernel_metrics: 内置核列表。

References

参见 Fuxin Li, Catalin Ionescu 和 Cristian Sminchisescu 的“Random Fourier Approximations for Skewed Multiplicative Histogram Kernels”。

Examples

>>> from sklearn.kernel_approximation import SkewedChi2Sampler
>>> from sklearn.linear_model import SGDClassifier
>>> X = [[0, 0], [1, 1], [1, 0], [0, 1]]
>>> y = [0, 0, 1, 1]
>>> chi2_feature = SkewedChi2Sampler(skewedness=.01,
...                                  n_components=10,
...                                  random_state=0)
>>> X_features = chi2_feature.fit_transform(X, y)
>>> clf = SGDClassifier(max_iter=10, tol=1e-3)
>>> clf.fit(X_features, y)
SGDClassifier(max_iter=10)
>>> 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:

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)#

应用近似特征映射到X。

Parameters:

Xarray-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。X的所有值必须严格大于“-偏度”。

Returns:

X_newarray-like, shape (n_samples, n_components): 返回实例本身。