Python cuml.experimental.preprocessing.PolynomialFeatures用法及代碼示例

用法:
class cuml.experimental.preprocessing.PolynomialFeatures(*args, **kwargs)

生成多項式和交互特征。

生成一個新的特征矩陣，由度數小於或等於指定度數的特征的所有多項式組合組成。例如，如果輸入樣本是二維的並且具有 [a, b] 的形式，則 2 次多項式特征是 [1, a, b, a^2, ab, b^2]。

參數：

degree：整數: 多項式特征的次數。默認 = 2。
interaction_only：布爾值，默認 = False: 如果為真，則僅生成交互特征：最多為 degree distinct 輸入特征的產物的特征(因此不是 x[1] ** 2 , x[0] * x[2] ** 3 等)。
include_bias：布爾值: 如果為真(默認)，則包括一個偏差列，即所有多項式冪為零的特征(即一列一 - 充當線性模型中的截距項)。
order：str in {‘C’, ‘F’}，默認‘C’: 密集情況下的輸出數組的順序。 “F”階計算速度更快，但可能會減慢後續估計器的速度。

注意：

請注意，輸出數組中的特征數量在輸入數組的特征數量上呈多項式縮放，並且在度數上呈 index 增長。高度數會導致過擬合。

例子：

>>> import numpy as np
>>> from cuml.preprocessing import PolynomialFeatures
>>> X = np.arange(6).reshape(3, 2)
>>> X
array([[0, 1],
       [2, 3],
       [4, 5]])
>>> poly = PolynomialFeatures(2)
>>> poly.fit_transform(X)
array([[ 1.,  0.,  1.,  0.,  0.,  1.],
       [ 1.,  2.,  3.,  4.,  6.,  9.],
       [ 1.,  4.,  5., 16., 20., 25.]])
>>> poly = PolynomialFeatures(interaction_only=True)
>>> poly.fit_transform(X)
array([[ 1.,  0.,  1.,  0.],
       [ 1.,  2.,  3.,  6.],
       [ 1.,  4.,  5., 20.]])

屬性：

powers_：數組，形狀(n_output_features，n_input_features): powers_[i, j] 是第 i 個輸出中第 j 個輸入的 index 。
n_input_features_：int: 輸入特征的總數。
n_output_features_：int: 多項式輸出特征的總數。輸出特征的數量是通過迭代所有適當大小的輸入特征組合來計算的。

相關用法

注：本文由純淨天空篩選整理自rapids.ai大神的英文原創作品 cuml.experimental.preprocessing.PolynomialFeatures。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。