Python dask_ml.preprocessing.PolynomialFeatures用法及代碼示例

用法: class dask_ml.preprocessing.PolynomialFeatures(degree: int = 2, interaction_only: bool = False, include_bias: bool = True, preserve_dataframe: bool = False)

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]。

在用戶指南中閱讀更多信息。

參數：

degree：整數或元組(min_degree，max_degree)，默認=2

如果給定單個 int，則它指定多項式特征的最大次數。如果傳遞了一個元組(min_degree, max_degree)，那麽min_degree是最小的，max_degree是生成特征的最大多項式次數。請注意，min_degree=0 和 min_degree=1 是等效的，因為輸出零度項由 include_bias 確定。

interaction_only：布爾，默認=假

如果True, 隻產生交互特征：最多是產品的特征degree 清楚的輸入特征，即相同輸入特征的 2 或更高次冪的項被排除在外：

包括：x[0] , x[1] , x[0] * x[1] 等。
排除：x[0] ** 2 , x[0] ** 2 * x[1] 等。

include_bias：布爾，默認=真

如果True(默認)，則包括一個偏置列，其中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)。

次序：{‘C’，‘F’}，默認=‘C’

密集情況下的輸出數組的順序。 ‘F’ order 的計算速度更快，但可能會減慢後續估算器的速度。

屬性：

powers_ndarray 形狀(n_output_features_ , n_features_in_): 輸出中每個輸入的 index 。

preserve_dataframe布爾值: 如果為 True，則在轉換後保留 pandas 和 dask 數據幀。使用 False(默認)返回 numpy 或 dask 數組並模仿 sklearn 的默認行為

例子：

>>> import numpy as np
>>> from sklearn.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.]])

相關用法

注：本文由純淨天空篩選整理自dask.org大神的英文原創作品 dask_ml.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。