Python sklearn SkewedChi2Sampler用法及代码示例

本文简要介绍python语言中 sklearn.kernel_approximation.SkewedChi2Sampler 的用法。

用法:

class sklearn.kernel_approximation.SkewedChi2Sampler(*, skewedness=1.0, n_components=100, random_state=None)

“倾斜卡方”内核的近似特征图。

在用户指南中阅读更多信息。

参数：

skewedness：浮点数，默认=1.0

“skewedness” 内核参数。需要为cross-validated。

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_weights_：ndarray 形状(n_features，n_components)

权重数组，从正割双曲线分布中采样，将用于线性变换数据的对数。

random_offset_：ndarray 形状(n_features，n_components)

偏差项，将添加到数据中。它均匀分布在 0 到 2*pi 之间。

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：

参见 Fuxin Li、Catalin Ionescu 和 Cristian Sminchisescu 的“倾斜乘法直方图内核的随机傅里叶近似”。

例子：

>>> from sklearn.kernel_approximation import SkewedChi2Sampler
>>> from sklearn.linear_model import SGDClassifier
>>> X = [[0, 0], [1, 1], [1, 0], [0, 1]]
>>> y = [0, 0, 1, 1]
>>> chi2_feature = SkewedChi2Sampler(skewedness=.01,
...                                  n_components=10,
...                                  random_state=0)
>>> X_features = chi2_feature.fit_transform(X, y)
>>> clf = SGDClassifier(max_iter=10, tol=1e-3)
>>> clf.fit(X_features, y)
SGDClassifier(max_iter=10)
>>> clf.score(X_features, y)
1.0