Python sklearn Nystroem用法及代码示例

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

用法:

class sklearn.kernel_approximation.Nystroem(kernel='rbf', *, gamma=None, coef0=None, degree=None, kernel_params=None, n_components=100, random_state=None, n_jobs=None)

使用训练数据的子集近似核映射。

使用数据的子集作为基础为任意内核构造近似特征图。

在用户指南中阅读更多信息。

参数：

kernel：str 或可调用，默认='rbf'

要近似的内核映射。可调用对象应接受两个参数，并将关键字参数作为 kernel_params 传递给此对象，并应返回浮点数。

gamma：浮点数，默认=无

RBF、拉普拉斯算子、多项式、 index chi2 和 sigmoid 内核的 Gamma 参数。默认值的解释留给内核；请参阅 sklearn.metrics.pairwise 的文档。被其他内核忽略。

coef0：浮点数，默认=无

多项式和 sigmoid 内核的零系数。被其他内核忽略。

degree：浮点数，默认=无

多项式核的度数。被其他内核忽略。

kernel_params：字典，默认=无

作为可调用对象传递的内核函数的附加参数(关键字参数)。

n_components：整数，默认=100

要构建的特征数。将使用多少数据点来构建映射。

random_state：int、RandomState 实例或无，默认=无

伪随机数生成器控制均匀采样，无需替换n_components训练数据来构建基础内核。传递 int 以在多个函数调用之间实现可重现的输出。请参阅术语表。

n_jobs：整数，默认=无

用于计算的作业数。这是通过将内核矩阵分解为 n_jobs 偶数切片并并行计算它们来实现的。

None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有处理器。有关详细信息，请参阅词汇表。

属性：

components_：ndarray 形状(n_components，n_features)

用于构建特征图的训练点子集。

component_indices_：ndarray 形状(n_components)

训练集中components_ 的索引。

normalization_：ndarray 形状(n_components，n_components)

嵌入所需的归一化矩阵。 components_ 上的内核矩阵的平方根。

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。

参考：

• 威廉姆斯，C.K.I.和 Seeger, M. “使用 Nystroem 方法加速内核机器”，神经信息处理系统的进展 2001
• T. Yang、Y. Li、M. Mahdavi、R. Jin 和 Z. Zhou “Nystroem 方法与随机傅立叶特征：理论和实证比较”，神经信息处理系统进展 2012

例子：

>>> from sklearn import datasets, svm
>>> from sklearn.kernel_approximation import Nystroem
>>> X, y = datasets.load_digits(n_class=9, return_X_y=True)
>>> data = X / 16.
>>> clf = svm.LinearSVC()
>>> feature_map_nystroem = Nystroem(gamma=.2,
...                                 random_state=1,
...                                 n_components=300)
>>> data_transformed = feature_map_nystroem.fit_transform(data)
>>> clf.fit(data_transformed, y)
LinearSVC()
>>> clf.score(data_transformed, y)
0.9987...