Python sklearn Nystroem用法及代碼示例

本文簡要介紹python語言中 sklearn.kernel_approximation.Nystroem 的用法。

用法:

class sklearn.kernel_approximation.Nystroem(kernel='rbf', *, gamma=None, coef0=None, degree=None, kernel_params=None, n_components=100, random_state=None, n_jobs=None)

使用訓練數據的子集近似核映射。

使用數據的子集作為基礎為任意內核構造近似特征圖。

在用戶指南中閱讀更多信息。

參數：

kernel：str 或可調用，默認='rbf'

要近似的內核映射。可調用對象應接受兩個參數，並將關鍵字參數作為 kernel_params 傳遞給此對象，並應返回浮點數。

gamma：浮點數，默認=無

RBF、拉普拉斯算子、多項式、 index chi2 和 sigmoid 內核的 Gamma 參數。默認值的解釋留給內核；請參閱 sklearn.metrics.pairwise 的文檔。被其他內核忽略。

coef0：浮點數，默認=無

多項式和 sigmoid 內核的零係數。被其他內核忽略。

degree：浮點數，默認=無

多項式核的度數。被其他內核忽略。

kernel_params：字典，默認=無

作為可調用對象傳遞的內核函數的附加參數(關鍵字參數)。

n_components：整數，默認=100

要構建的特征數。將使用多少數據點來構建映射。

random_state：int、RandomState 實例或無，默認=無

偽隨機數生成器控製均勻采樣，無需替換n_components訓練數據來構建基礎內核。傳遞 int 以在多個函數調用之間實現可重現的輸出。請參閱術語表。

n_jobs：整數，默認=無

用於計算的作業數。這是通過將內核矩陣分解為 n_jobs 偶數切片並並行計算它們來實現的。

None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有處理器。有關詳細信息，請參閱詞匯表。

屬性：

components_：ndarray 形狀(n_components，n_features)

用於構建特征圖的訓練點子集。

component_indices_：ndarray 形狀(n_components)

訓練集中components_ 的索引。

normalization_：ndarray 形狀(n_components，n_components)

嵌入所需的歸一化矩陣。 components_ 上的內核矩陣的平方根。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

參考：

• 威廉姆斯，C.K.I.和 Seeger, M. “使用 Nystroem 方法加速內核機器”，神經信息處理係統的進展 2001
• T. Yang、Y. Li、M. Mahdavi、R. Jin 和 Z. Zhou “Nystroem 方法與隨機傅立葉特征：理論和實證比較”，神經信息處理係統進展 2012

例子：

>>> from sklearn import datasets, svm
>>> from sklearn.kernel_approximation import Nystroem
>>> X, y = datasets.load_digits(n_class=9, return_X_y=True)
>>> data = X / 16.
>>> clf = svm.LinearSVC()
>>> feature_map_nystroem = Nystroem(gamma=.2,
...                                 random_state=1,
...                                 n_components=300)
>>> data_transformed = feature_map_nystroem.fit_transform(data)
>>> clf.fit(data_transformed, y)
LinearSVC()
>>> clf.score(data_transformed, y)
0.9987...