PolynomialCountSketch#

класс sklearn.kernel_approximation.PolynomialCountSketch(*, gamma=1.0, степень=2, coef0=0, n_components=100, random_state=None)[источник]#

Аппроксимация полиномиального ядра с помощью Tensor Sketch.

Реализует Tensor Sketch, который аппроксимирует карту признаков полиномиального ядра:

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

путем эффективного вычисления Count Sketch внешнего произведения вектора с самим собой с использованием быстрых преобразований Фурье (FFT). Подробнее в Руководство пользователя.

Добавлено в версии 0.24.

Параметры:

gammafloat, по умолчанию=1.0: Параметр полиномиального ядра, чье отображение признаков будет аппроксимировано.
степеньint, по умолчанию=2: Степень полиномиального ядра, чье отображение признаков будет аппроксимировано.
coef0int, по умолчанию=0: Постоянный член полиномиального ядра, чье отображение признаков будет аппроксимировано.
n_componentsint, по умолчанию=100: Размерность выходного пространства признаков. Обычно n_components должно быть больше количества признаков во входных выборках для достижения хорошей производительности. Оптимальный баланс между оценкой и временем выполнения обычно достигается около n_components = 10 * n_features, но это зависит от конкретного используемого набора данных.
random_stateint, экземпляр RandomState, по умолчанию=None: Определяет генерацию случайных чисел для инициализации indexHash и bitHash. Передайте int для воспроизводимых результатов при множественных вызовах функции. См. Глоссарий.

Атрибуты:

indexHash_ndarray формы (степень, n_features), dtype=int64: Массив индексов в диапазоне [0, n_components), используемый для представления 2-независимых хэш-функций для вычисления Count Sketch.
bitHash_ndarray формы (degree, n_features), dtype=float32: Массив со случайными значениями в {+1, -1}, используемый для представления 2-независимых хеш-функций для вычисления Count Sketch.
n_features_in_int: Количество признаков, замеченных во время fit.

Добавлено в версии 0.24.
feature_names_in_ndarray формы (n_features_in_,): Имена признаков, наблюдаемых во время fit. Определено только когда X имеет имена признаков, которые все являются строками.

Добавлено в версии 1.0.

Смотрите также

AdditiveChi2Sampler: Приближенное отображение признаков для аддитивного хи-квадрат ядра.
Nystroem: Приближение карты ядра с использованием подмножества обучающих данных.
RBFSampler: Аппроксимируйте карту признаков ядра RBF с использованием случайных признаков Фурье.
SkewedChi2Sampler: Приближенное отображение признаков для "скошенного хи-квадрат" ядра.
sklearn.metrics.pairwise.kernel_metrics: Список встроенных ядер.

Примеры

>>> 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

Для более подробного примера использования см. Масштабируемое обучение с полиномиальной аппроксимацией ядра

fit(X, y=None)[источник]#

Обучите модель с X.

Инициализирует внутренние переменные. Методу не требуется информация о распределении данных, поэтому нас интересует только n_features в X.

Параметры:

X{array-like, sparse matrix} формы (n_samples, n_features): Обучающие данные, где n_samples это количество образцов и n_features это количество признаков.
yarray-like формы (n_samples,) или (n_samples, n_outputs), default=None: Целевые значения (None для неконтролируемых преобразований).

Возвращает:

selfobject: Возвращает сам экземпляр.

fit_transform(X, y=None, **fit_params)[источник]#

Обучение на данных с последующим преобразованием.

Обучает преобразователь на X и y с необязательными параметрами fit_params и возвращает преобразованную версию X.

Параметры:

Xarray-like формы (n_samples, n_features): Входные выборки.
yarray-like формы (n_samples,) или (n_samples, n_outputs), default=None: Целевые значения (None для неконтролируемых преобразований).
**fit_paramsdict: Дополнительные параметры обучения. Передавайте только если оценщик принимает дополнительные параметры в своем fit метод.

Возвращает:

X_newndarray массив формы (n_samples, n_features_new): Преобразованный массив.

get_feature_names_out(input_features=None)[источник]#

Получить имена выходных признаков для преобразования.

Имена признаков на выходе будут иметь префикс в виде имени класса в нижнем регистре. Например, если преобразователь выводит 3 признака, то имена признаков на выходе: ["class_name0", "class_name1", "class_name2"].

Параметры:

input_featuresarray-like из str или None, по умолчанию=None: Используется только для проверки имен признаков с именами, встреченными в fit.

Возвращает:

feature_names_outndarray из str объектов: Преобразованные имена признаков.

6332()[источник]#

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Возвращает:

маршрутизацияMetadataRequest: A MetadataRequest Инкапсуляция информации о маршрутизации.

get_params(глубокий=True)[источник]#

Получить параметры для этого оценщика.

Параметры:

глубокийbool, по умолчанию=True: Если True, вернет параметры для этого оценщика и вложенных подобъектов, которые являются оценщиками.

Возвращает:

paramsdict: Имена параметров, сопоставленные с их значениями.

set_output(*, преобразовать=None)[источник]#

Установить контейнер вывода.

См. Введение API set_output для примера использования API.

Параметры:

преобразовать{“default”, “pandas”, “polars”}, по умолчанию=None

Настройка вывода transform и fit_transform.

"default": Формат вывода трансформера по умолчанию
"pandas": DataFrame вывод
"polars": Вывод Polars
None: Конфигурация преобразования не изменена

Добавлено в версии 1.4: "polars" опция была добавлена.

Возвращает:

selfэкземпляр estimator: Экземпляр оценщика.

set_params(**params)[источник]#

Установить параметры этого оценщика.

Метод работает как на простых оценщиках, так и на вложенных объектах (таких как Pipeline). Последние имеют параметры вида __ чтобы можно было обновить каждый компонент вложенного объекта.

Параметры: