Python sklearn RBFSampler用法及代碼示例

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

用法:

class sklearn.kernel_approximation.RBFSampler(*, gamma=1.0, n_components=100, random_state=None)

使用隨機傅裏葉特征近似 RBF 內核特征圖。

它實現了隨機廚房水槽的變體。 [1]

在用戶指南中閱讀更多信息。

參數：

gamma：浮點數，默認=1.0

RBF核的參數：exp(-gamma * x^2)。

n_components：整數，默認=100

每個原始特征的蒙特卡洛樣本數。等於計算的特征空間的維數。

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

偽隨機數生成器在擬合訓練數據時控製隨機權重和隨機偏移的生成。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。

屬性：

random_offset_：ndarray 形狀 (n_components,), dtype=float64

用於計算特征空間 n_components 維度中的投影的隨機偏移量。

random_weights_：ndarray 形狀(n_features，n_components)，dtype=float64

從 RBF 核的傅裏葉變換中得出的隨機投影方向。

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。

注意：

請參閱 A. Rahimi 和 Benjamin Recht 的“Large-Scale 內核機器的隨機特征”。

[1] A. Rahimi 和 Benjamin Recht 的“隨機廚房水槽的加權總和：用學習中的隨機化代替最小化”。 (https://people.eecs.berkeley.edu/~brecht/papers/08.rah.rec.nips.pdf)

例子：

>>> from sklearn.kernel_approximation import RBFSampler
>>> from sklearn.linear_model import SGDClassifier
>>> X = [[0, 0], [1, 1], [1, 0], [0, 1]]
>>> y = [0, 0, 1, 1]
>>> rbf_feature = RBFSampler(gamma=1, random_state=1)
>>> X_features = rbf_feature.fit_transform(X)
>>> clf = SGDClassifier(max_iter=5, tol=1e-3)
>>> clf.fit(X_features, y)
SGDClassifier(max_iter=5)
>>> clf.score(X_features, y)
1.0