Python sklearn FeatureHasher用法及代碼示例

本文簡要介紹python語言中 sklearn.feature_extraction.FeatureHasher 的用法。

用法:

class sklearn.feature_extraction.FeatureHasher(n_features=1048576, *, input_type='dict', dtype=<class 'numpy.float64'>, alternate_sign=True)

實現特征散列，也就是散列技巧。

此類將符號要素名稱(字符串)序列轉換為 scipy.sparse 矩陣，使用哈希函數計算與名稱對應的矩陣列。使用的哈希函數是 Murmurhash3 的簽名 32 位版本。

字節字符串類型的函數名稱按原樣使用。 Unicode 字符串首先轉換為 UTF-8，但不進行 Unicode 標準化。特征值必須是(有限)數字。

此類是 low-memory 的 DictVectorizer 和 CountVectorizer 替代方案，適用於 large-scale(在線)學習和內存緊張的情況，例如在嵌入式設備上運行預測代碼時。

在用戶指南中閱讀更多信息。

參數：

n_features：整數，默認=2**20

輸出矩陣中的特征(列)數。少量特征可能會導致哈希衝突，但大量特征會導致線性學習器中的係數維度較大。

input_type：str，默認='dict'

從 {‘dict’, ‘pair’, ‘string’} 中選擇一個字符串。或者“dict”(默認)接受字典超過(feature_name，值)； “pair” 接受成對的 (feature_name, value);或 “string” 接受單個字符串。 feature_name 應該是一個字符串，而 value 應該是一個數字。在“string” 的情況下，隱含值為 1。 feature_name 被散列以找到該函數的適當列。該值的符號可能會在輸出中翻轉(但請參見下麵的non_negative)。

dtype：numpy dtype，默認=np.float64

特征值的類型。作為 dtype 參數傳遞給 scipy.sparse 矩陣構造函數。請勿將其設置為 bool、np.boolean 或任何無符號整數類型。

alternate_sign：布爾，默認=真

當為 True 時，將交替符號添加到特征中，以近似保存散列空間中的內積，即使對於小的 n_features 也是如此。這種方法類似於稀疏隨機投影。

例子：

>>> from sklearn.feature_extraction import FeatureHasher
>>> h = FeatureHasher(n_features=10)
>>> D = [{'dog': 1, 'cat':2, 'elephant':4},{'dog': 2, 'run': 5}]
>>> f = h.transform(D)
>>> f.toarray()
array([[ 0.,  0., -4., -1.,  0.,  0.,  0.,  0.,  0.,  2.],
       [ 0.,  0.,  0., -2., -5.,  0.,  0.,  0.,  0.,  0.]])