Python sklearn SplineTransformer用法及代码示例

本文简要介绍python语言中 sklearn.preprocessing.SplineTransformer 的用法。

用法:

class sklearn.preprocessing.SplineTransformer(n_knots=5, degree=3, *, knots='uniform', extrapolation='constant', include_bias=True, order='C')

为特征生成单变量 B-spline 基。

为每个特征生成一个由多项式阶=`degree`的n_splines=n_knots + degree - 1(n_knots - 1 for extrapolation="periodic")样条基函数(B-splines)组成的新特征矩阵。

在用户指南中阅读更多信息。

参数：

n_knots：整数，默认=5

如果 knots 等于 {‘uniform’, ‘quantile’} 之一，则样条线的结数。必须大于或等于 2。如果 knots 类似于数组，则忽略。

degree：整数，默认=3

样条基的多项式次数。必须是非负整数。

knots：{‘uniform’, ‘quantile’} 或形状类似数组 (n_knots, n_features)，默认=‘uniform’

设置结位置，使得第一个结 <= 特征 <= 最后一个结。

• 如果‘uniform’、n_knots 节点数从特征的最小值到最大值均匀分布。
• 如果‘quantile’，它们沿着特征的分位数均匀分布。
• 如果给出类似数组，它直接指定排序的结位置，包括边界结。请注意，在内部，degree 结点数量添加在第一个结点之前，最后一个结点之后添加相同的数量。

extrapolation：{‘error’, ‘constant’, ‘linear’, ‘continue’, ‘periodic’}，默认='常量'

如果 ‘error’，训练特征的最小值和最大值之外的值会引发 ValueError 。如果‘constant’，则将特征的最小值和最大值处的样条值用作常数外推。如果‘linear’，使用线性外插。如果‘continue’，样条线按原样外推，即 scipy.interpolate.BSpline 中的选项extrapolate=True。如果‘periodic’，则使用周期等于第一个结和最后一个结之间距离的周期样条。周期样条在第一个和最后一个结处强制执行相等的函数值和导数。例如，这可以避免在从自然周期 “day-of-year” 输入特征派生的样条特征中引入在 12 月 31 日和 1 月 1 日之间的任意跳跃。在这种情况下，建议手动设置节点值来控制周期。

include_bias：布尔，默认=真

如果为 True(默认)，则删除特征数据范围内的最后一个样条元素。由于B-splines 对每个数据点的样条基函数求和为一个，它们隐含地包含一个偏差项，即一列。它充当线性模型中的截距项。

order：{‘C’，‘F’}，默认=‘C’

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。

属性：

bsplines_：形状列表(n_features，)

BSplines 对象列表，每个特征一个。

n_features_in_：int

输入特征的总数。

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。

n_features_out_：int

输出特征的总数，计算为 n_features * n_splines ，其中 n_splines 是 B-splines 的基元素数，n_knots + degree - 1 用于非周期性样条，n_knots - 1 用于周期性样条。如果 include_bias=False ，那么它只是 n_features * (n_splines - 1) 。

注意：

高度数和大量节点会导致过度拟合。

参看例子/linear_model/plot_polynomial_interpolation.py.

例子：

>>> import numpy as np
>>> from sklearn.preprocessing import SplineTransformer
>>> X = np.arange(6).reshape(6, 1)
>>> spline = SplineTransformer(degree=2, n_knots=3)
>>> spline.fit_transform(X)
array([[0.5 , 0.5 , 0.  , 0.  ],
       [0.18, 0.74, 0.08, 0.  ],
       [0.02, 0.66, 0.32, 0.  ],
       [0.  , 0.32, 0.66, 0.02],
       [0.  , 0.08, 0.74, 0.18],
       [0.  , 0.  , 0.5 , 0.5 ]])