SplineTransformer#

класс sklearn.preprocessing.SplineTransformer(n_knots=5, степень=3, *, узлы='uniform', экстраполяция='constant', include_bias=True, порядок='C', handle_missing='error', sparse_output=False)[источник]#

Генерация одномерных B-сплайновых базисов для признаков.

Создать новую матрицу признаков, состоящую из n_splines=n_knots + degree - 1 (n_knots - 1 для extrapolation="periodic") базисные функции сплайнов (B-сплайны) полиномиального порядка=`degree` для каждого признака.

Чтобы узнать больше о классе SplineTransformer, перейдите к: Инженерия временных признаков

Подробнее в Руководство пользователя.

Добавлено в версии 1.0.

Параметры:
n_knotsint, по умолчанию=5

Количество узлов сплайнов, если knots равен одному из {‘uniform’, ‘quantile’}. Должен быть больше или равен 2. Игнорируется, если knots является array-like.

степеньint, по умолчанию=3

Полиномиальная степень базиса сплайна. Должна быть неотрицательным целым числом.

узлы{'uniform', 'quantile'} или массивоподобный объект формы (n_knots, n_features), по умолчанию='uniform'

Установите позиции узлов так, чтобы первый узел <= признаки <= последний узел.

  • Если 'uniform', n_knots количество узлов равномерно распределено от минимальных до максимальных значений признаков.

  • Если 'quantile', они распределены равномерно вдоль квантилей признаков.

  • Если задан array-like, он напрямую указывает отсортированные позиции узлов, включая граничные узлы. Обратите внимание, что внутренне degree количество узлов добавляется перед первым узлом, столько же после последнего узла.

экстраполяция{'error', 'constant', 'linear', 'continue', 'periodic'}, по умолчанию='constant'

Если 'error', значения вне минимального и максимального значений обучающих признаков вызывают ValueError. Если 'constant', значение сплайнов в минимальной и максимальной точке признаков используется как постоянная экстраполяция. Если 'linear', используется линейная экстраполяция. Если 'continue', сплайны экстраполируются как есть, т.е. опция extrapolate=True в scipy.interpolate.BSpline. Если 'periodic', используются периодические сплайны с периодичностью, равной расстоянию между первым и последним узлом. Периодические сплайны обеспечивают равные значения функции и производные на первом и последнем узле. Например, это позволяет избежать введения произвольного скачка между 31 декабря и 1 января в сплайн-признаках, полученных из естественно периодического признака 'день года'. В этом случае рекомендуется вручную установить значения узлов для управления периодичностью.

include_biasbool, по умолчанию=True

Если False, то последний сплайн-элемент внутри диапазона данных признака удаляется. Поскольку B-сплайны суммируются до единицы по базисным функциям сплайна для каждой точки данных, они неявно включают член смещения, т.е. столбец единиц. Он действует как член перехвата в линейных моделях.

порядок{‘C’, ‘F’}, по умолчанию ‘C’

Порядок выходного массива в плотном случае. 'F' порядок вычисляется быстрее, но может замедлить последующие оценщики.

handle_missing{‘error’, ‘zeros’}, по умолчанию='error'

Определяет способ обработки пропущенных значений.

  • ‘error’ : Вызвать ошибку, если np.nan значения присутствуют во время fit.

  • ‘zeros’ : Кодировать сплайны пропущенных значений значениями 0.

Обратите внимание, что handle_missing='zeros' отличается от первоначального заполнения пропущенных значений нулями и последующего создания сплайн-базиса. Последний создает базисные функции сплайнов, которые имеют ненулевые значения в пропущенных значениях, тогда как этот вариант просто устанавливает все значения базисных функций сплайнов в ноль в пропущенных значениях.

Добавлено в версии 1.8.

sparse_outputbool, по умолчанию=False

Будет возвращать разреженную матрицу CSR, если установлено True, иначе вернет массив.

Добавлено в версии 1.2.

Атрибуты:
bsplines_список формы (n_features,)

Список объектов BSplines, по одному для каждого признака.

n_features_in_int

Общее количество входных признаков.

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.

n_features_out_int

Общее количество выходных признаков, которое вычисляется как n_features * n_splines, где n_splines это количество базовых элементов B-сплайнов, n_knots + degree - 1 для непериодических сплайнов и n_knots - 1 для периодических. Если include_bias=False, тогда это только n_features * (n_splines - 1).

Смотрите также

KBinsDiscretizer

Преобразователь, который разбивает непрерывные данные на интервалы.

PolynomialFeatures

Трансформер, генерирующий полиномиальные признаки и признаки взаимодействия.

Примечания

Высокие степени и большое количество узлов могут вызвать переобучение.

См. examples/linear_model/plot_polynomial_interpolation.py.

Примеры

>>> import numpy as np
>>> from sklearn.preprocessing import SplineTransformer
>>> X = np.arange(6).reshape(6, 1)
>>> spline = SplineTransformer(degree=2, n_knots=3)
>>> spline.fit_transform(X)
array([[0.5 , 0.5 , 0.  , 0.  ],
       [0.18, 0.74, 0.08, 0.  ],
       [0.02, 0.66, 0.32, 0.  ],
       [0.  , 0.32, 0.66, 0.02],
       [0.  , 0.08, 0.74, 0.18],
       [0.  , 0.  , 0.5 , 0.5 ]])
fit(X, y=None, sample_weight=None)[источник]#

Вычисление позиций узлов сплайнов.

Параметры:
Xarray-like формы (n_samples, n_features)

Данные.

yNone

Игнорируется.

sample_weightarray-like формы (n_samples,), по умолчанию = None

Индивидуальные веса для каждого образца. Используются для расчета квантилей, если knots="quantile". Для knots="uniform", наблюдения с нулевым весом игнорируются при нахождении минимума и максимума X.

Возвращает:
selfobject

Обученный преобразователь.

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.

Параметры:
input_featuresarray-like из str или None, по умолчанию=None

Входные признаки.

  • Если input_features является None, затем feature_names_in_ используется как имена признаков в. Если feature_names_in_ не определено, тогда генерируются следующие имена входных признаков: ["x0", "x1", ..., "x(n_features_in_ - 1)"].

  • Если input_features является массивоподобным, тогда input_features должен соответствовать feature_names_in_ if feature_names_in_ определен.

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_fit_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → SplineTransformer[источник]#

Настроить, следует ли запрашивать передачу метаданных в fit метод.

Обратите внимание, что этот метод актуален только тогда, когда этот оценщик используется как под-оценщик внутри мета-оценщик и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

  • True: запрашиваются метаданные и передаются fit если предоставлено. Запрос игнорируется, если метаданные не предоставлены.

  • False: метаданные не запрашиваются, и мета-оценщик не передаст их в fit.

  • None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь предоставит их.

  • str: метаданные должны передаваться мета-оценщику с этим заданным псевдонимом вместо исходного имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменять запрос для некоторых параметров, но не для других.

Добавлено в версии 1.3.

Параметры:
sample_weightstr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для sample_weight параметр в fit.

Возвращает:
selfobject

Обновленный объект.

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:
**paramsdict

Параметры оценщика.

Возвращает:
selfэкземпляр estimator

Экземпляр оценщика.

преобразовать(X)[источник]#

Преобразовать данные каждого признака в B-сплайны.

Параметры:
Xarray-like формы (n_samples, n_features)

Данные для преобразования.

Возвращает:
XBS{ndarray, sparse matrix} формы (n_samples, n_features * n_splines)

Матрица признаков, где n_splines — количество базисных элементов B-сплайнов, n_knots + degree - 1.