Python sklearn AdditiveChi2Sampler用法及代码示例

本文简要介绍python语言中 sklearn.kernel_approximation.AdditiveChi2Sampler 的用法。

用法:

class sklearn.kernel_approximation.AdditiveChi2Sampler(*, sample_steps=2, sample_interval=None)

加性 chi2 内核的近似特征图。

使用定期采样内核特征的傅立叶变换。

由于要近似的内核是可加的，因此可以分别处理输入向量的分量。原始空间中的每个条目都被转换为 2*sample_steps+1 个特征，其中sample_steps 是方法的一个参数。 sample_steps 的典型值包括 1、2 和 3。

可以计算某些数据范围的采样间隔的最佳选择(参见引用)。默认值应该是合理的。

在用户指南中阅读更多信息。

参数：

sample_steps：整数，默认=2

给出(复杂)采样点的数量。

sample_interval：浮点数，默认=无

采样间隔。当 sample_steps 不在 {1,2,3} 中时必须指定。

属性：

sample_interval_：浮点数

存储的采样间隔。如果 sample_steps 不在 {1,2,3} 中，则指定为参数。

n_features_in_：int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

注意：

该估计器近似于加性卡方内核的一个稍微不同的版本，然后 metric.additive_chi2 计算。

参考：

参看“通过显式特征映射实现高效的加法内核”A. Vedaldi 和 A. Zisserman，模式分析和机器智能，2011

例子：

>>> from sklearn.datasets import load_digits
>>> from sklearn.linear_model import SGDClassifier
>>> from sklearn.kernel_approximation import AdditiveChi2Sampler
>>> X, y = load_digits(return_X_y=True)
>>> chi2sampler = AdditiveChi2Sampler(sample_steps=2)
>>> X_transformed = chi2sampler.fit_transform(X, y)
>>> clf = SGDClassifier(max_iter=5, random_state=0, tol=1e-3)
>>> clf.fit(X_transformed, y)
SGDClassifier(max_iter=5, random_state=0)
>>> clf.score(X_transformed, y)
0.9499...