`sklearn.kernel_approximation`.AdditiveChi2Sampler¶

class sklearn.kernel_approximation.AdditiveChi2Sampler¶

Mapa aproximado de características para el núcleo aditivo chi2.

Utiliza el muestreo de la transformación fourier de la característica del núcleo en intervalos regulares.

Ya que el kernel a ser aproximado es aditivo, los componentes de los vectores de entrada pueden ser tratados por separado. Cada entrada en el espacio original es transformada en 2*samples_steps+1 características, donde sample_steps es un parámetro del método. Los valores típicos de sample_steps incluyen 1, 2 y 3.

Las opciones óptimas para el intervalo de muestreo para ciertos rangos de datos pueden ser calculadas (ver la referencia). Los valores predeterminados deben ser razonables.

Más información en el Manual de usuario.

Parámetros

sample_stepsint, default=2: Proporciona el número de puntos (complejos) de muestreo.
sample_intervalflotante, default=None: Intervalo de muestreo. Debe especificarse cuando sample_steps no esté en {1,2,3}.

Atributos

sample_interval_flotante: Intervalo de muestreo almacenado. Especificado como un parámetro si sample_steps no está en {1,2,3}.

Ver también

SkewedChi2Sampler: Una aproximación Fourier a una variante no aditiva del núcleo de chi cuadrado.
sklearn.metrics.pairwise.chi2_kernel: El núcleo chi cuadrado exacto.
sklearn.metrics.pairwise.additive_chi2_kernel: El núcleo chi cuadrado exacto aditivo.

Notas

Este estimador aproxima una versión ligeramente distinta del núcleo chi cuadrado aditivo y entonces metric.additive_chi2 calcula.

Referencias

Ver «Efficient additive kernels via explicit feature maps» A. Vedaldi and A. Zisserman, Pattern Analysis and Machine Intelligence, 2011

Ejemplos

>>> from sklearn.datasets import load_digits
>>> from sklearn.linear_model import SGDClassifier
>>> from sklearn.kernel_approximation import AdditiveChi2Sampler
>>> X, y = load_digits(return_X_y=True)
>>> chi2sampler = AdditiveChi2Sampler(sample_steps=2)
>>> X_transformed = chi2sampler.fit_transform(X, y)
>>> clf = SGDClassifier(max_iter=5, random_state=0, tol=1e-3)
>>> clf.fit(X_transformed, y)
SGDClassifier(max_iter=5, random_state=0)
>>> clf.score(X_transformed, y)
0.9499...

Métodos

`fit`	Configura los parámetros
`fit_transform`	Ajusta (el estimador) a los datos, y después lo transforma.
`get_params`	Obtiene los parámetros para este estimador.
`set_params`	Establece los parámetros de este estimador.
`transform`	Aplica el mapa de características aproximado a X.

fit()¶

Configura los parámetros

Parámetros

Xarray-like, forma (n_samples, n_features): Datos de entrenamiento, donde n_samples es el número de muestras y n_features es el número de características.

Salida

selfobject: Devuelve el transformador.

fit_transform()¶

Ajusta (el estimador) a los datos, y después lo transforma.

Ajusta el transformador a X y y con los parámetros opcionales fit_params y devuelve una versión transformada de X.

Parámetros

Xarray-like de forma (n_samples, n_features): Muestras de entrada.
yarray-like de forma (n_samples,) o (n_samples, n_outputs), default=None: Valores objetivo (None para transformaciones no supervisadas).
**fit_paramsdict: Parámetros de ajuste adicionales.

Salida

X_newarreglo ndarray de forma (n_samples, n_features_new): Arreglo transformado.

get_params()¶

Obtiene los parámetros para este estimador.

Parámetros

deepbooleano, default=True: Si es True, devolverá los parámetros para este estimador y los subobjetos contenidos que son estimadores.

Salida

paramsdict: Nombres de parámetros mapeados a sus valores.

set_params()¶

Establece los parámetros de este estimador.

El método funciona tanto en estimadores simples como en objetos anidados (como Pipeline). Estos últimos tienen parámetros de la forma <component>__<parameter>` para que sea posible actualizar cada componente de un objeto anidado.

Parámetros

**paramsdict: Parámetros del estimador.

Salida

selfinstancia del estimador: Instancia del estimador.

transform()¶

Aplica el mapa de características aproximado a X.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features)

Salida

X_new{ndarray, sparse matrix}, forma = (n_samples, n_features * (2*sample_steps + 1)): Si el valor devuelto es un arreglo de matriz dispersa depende del tipo de entrada X.