Python sklearn SkewedChi2Sampler用法及代碼示例

本文簡要介紹python語言中 sklearn.kernel_approximation.SkewedChi2Sampler 的用法。

用法:

class sklearn.kernel_approximation.SkewedChi2Sampler(*, skewedness=1.0, n_components=100, random_state=None)

“傾斜卡方”內核的近似特征圖。

在用戶指南中閱讀更多信息。

參數：

skewedness：浮點數，默認=1.0

“skewedness” 內核參數。需要為cross-validated。

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_weights_：ndarray 形狀(n_features，n_components)

權重數組，從正割雙曲線分布中采樣，將用於線性變換數據的對數。

random_offset_：ndarray 形狀(n_features，n_components)

偏差項，將添加到數據中。它均勻分布在 0 到 2*pi 之間。

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：

參見 Fuxin Li、Catalin Ionescu 和 Cristian Sminchisescu 的“傾斜乘法直方圖內核的隨機傅裏葉近似”。

例子：

>>> from sklearn.kernel_approximation import SkewedChi2Sampler
>>> from sklearn.linear_model import SGDClassifier
>>> X = [[0, 0], [1, 1], [1, 0], [0, 1]]
>>> y = [0, 0, 1, 1]
>>> chi2_feature = SkewedChi2Sampler(skewedness=.01,
...                                  n_components=10,
...                                  random_state=0)
>>> X_features = chi2_feature.fit_transform(X, y)
>>> clf = SGDClassifier(max_iter=10, tol=1e-3)
>>> clf.fit(X_features, y)
SGDClassifier(max_iter=10)
>>> clf.score(X_features, y)
1.0