Python sklearn RBFSampler用法及代码示例

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

用法:

class sklearn.kernel_approximation.RBFSampler(*, gamma=1.0, n_components=100, random_state=None)

使用随机傅里叶特征近似 RBF 内核特征图。

它实现了随机厨房水槽的变体。 [1]

在用户指南中阅读更多信息。

参数：

gamma：浮点数，默认=1.0

RBF核的参数：exp(-gamma * x^2)。

n_components：整数，默认=100

每个原始特征的蒙特卡洛样本数。等于计算的特征空间的维数。

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

伪随机数生成器在拟合训练数据时控制随机权重和随机偏移的生成。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。

属性：

random_offset_：ndarray 形状 (n_components,), dtype=float64

用于计算特征空间 n_components 维度中的投影的随机偏移量。

random_weights_：ndarray 形状(n_features，n_components)，dtype=float64

从 RBF 核的傅里叶变换中得出的随机投影方向。

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：

请参阅 A. Rahimi 和 Benjamin Recht 的“Large-Scale 内核机器的随机特征”。

[1] A. Rahimi 和 Benjamin Recht 的“随机厨房水槽的加权总和：用学习中的随机化代替最小化”。 (https://people.eecs.berkeley.edu/~brecht/papers/08.rah.rec.nips.pdf)

例子：

>>> from sklearn.kernel_approximation import RBFSampler
>>> from sklearn.linear_model import SGDClassifier
>>> X = [[0, 0], [1, 1], [1, 0], [0, 1]]
>>> y = [0, 0, 1, 1]
>>> rbf_feature = RBFSampler(gamma=1, random_state=1)
>>> X_features = rbf_feature.fit_transform(X)
>>> clf = SGDClassifier(max_iter=5, tol=1e-3)
>>> clf.fit(X_features, y)
SGDClassifier(max_iter=5)
>>> clf.score(X_features, y)
1.0