Python cuml.experimental.preprocessing.PolynomialFeatures用法及代码示例

用法:
class cuml.experimental.preprocessing.PolynomialFeatures(*args, **kwargs)

生成多项式和交互特征。

生成一个新的特征矩阵，由度数小于或等于指定度数的特征的所有多项式组合组成。例如，如果输入样本是二维的并且具有 [a, b] 的形式，则 2 次多项式特征是 [1, a, b, a^2, ab, b^2]。

参数：

degree：整数: 多项式特征的次数。默认 = 2。
interaction_only：布尔值，默认 = False: 如果为真，则仅生成交互特征：最多为 degree distinct 输入特征的产物的特征(因此不是 x[1] ** 2 , x[0] * x[2] ** 3 等)。
include_bias：布尔值: 如果为真(默认)，则包括一个偏差列，即所有多项式幂为零的特征(即一列一 - 充当线性模型中的截距项)。
order：str in {‘C’, ‘F’}，默认‘C’: 密集情况下的输出数组的顺序。 “F”阶计算速度更快，但可能会减慢后续估计器的速度。

注意：

请注意，输出数组中的特征数量在输入数组的特征数量上呈多项式缩放，并且在度数上呈 index 增长。高度数会导致过拟合。

例子：

>>> import numpy as np
>>> from cuml.preprocessing import PolynomialFeatures
>>> X = np.arange(6).reshape(3, 2)
>>> X
array([[0, 1],
       [2, 3],
       [4, 5]])
>>> poly = PolynomialFeatures(2)
>>> poly.fit_transform(X)
array([[ 1.,  0.,  1.,  0.,  0.,  1.],
       [ 1.,  2.,  3.,  4.,  6.,  9.],
       [ 1.,  4.,  5., 16., 20., 25.]])
>>> poly = PolynomialFeatures(interaction_only=True)
>>> poly.fit_transform(X)
array([[ 1.,  0.,  1.,  0.],
       [ 1.,  2.,  3.,  6.],
       [ 1.,  4.,  5., 20.]])

属性：

powers_：数组，形状(n_output_features，n_input_features): powers_[i, j] 是第 i 个输出中第 j 个输入的 index 。
n_input_features_：int: 输入特征的总数。
n_output_features_：int: 多项式输出特征的总数。输出特征的数量是通过迭代所有适当大小的输入特征组合来计算的。

相关用法

注：本文由纯净天空筛选整理自rapids.ai大神的英文原创作品 cuml.experimental.preprocessing.PolynomialFeatures。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。