sklearn.pipeline.FeatureUnion

class sklearn.pipeline.FeatureUnion

Concatena los resultados de múltiples objetos transformadores.

Este estimador aplica una lista de objetos transformadores en paralelo a los datos de entrada y luego concatena los resultados. Esto es útil para combinar varios mecanismos de extracción de características en un solo transformador.

Los parámetros de los transformadores pueden establecerse utilizando su nombre y el nombre del parámetro separados por un “__”. Un transformador puede ser sustituido por completo estableciendo el parámetro con su nombre a otro transformador, o eliminado estableciéndolo en “drop”.

Leer más en el Manual de Usuario.

Nuevo en la versión 0.13.

Parámetros

transformer_listlist de tuples (string, transformer)

Lista de objetos transformadores a aplicar a los datos. La primera mitad de cada tupla es el nombre del transformador. El transformador puede ser “drop” para que sea ignorado.

Distinto en la versión 0.22: None se hizo obsoleto como un transformador en favor de “drop”.

n_jobsint, default=None

Número de trabajos a ejecutar en paralelo. None significa 1 a menos que esté en un contexto joblib.parallel_backend. -1 significa utilizar todos los procesadores. Ver Glosario para más detalles.

Distinto en la versión v0.20: El valor predeterminado de n_jobs cambió de 1 a None

transformer_weightsdict, default=None

Ponderaciones multiplicativas para las características por transformador. Las claves son los nombres de los transformadores, los valores las ponderaciones. Genera un ValueError si la clave no está presente en transformer_list.

verbosebool, default=False

Si es True, se imprimirá el tiempo transcurrido durante el ajuste de cada transformador a medida que se complete.

Atributos

n_features_in_

Ver también

make_union

Función de conveniencia para la construcción simplificada de la unión de características.

Ejemplos

>>> from sklearn.pipeline import FeatureUnion
>>> from sklearn.decomposition import PCA, TruncatedSVD
>>> union = FeatureUnion([("pca", PCA(n_components=1)),
...                       ("svd", TruncatedSVD(n_components=2))])
>>> X = [[0., 1., 3], [2., 2., 5]]
>>> union.fit_transform(X)
array([[ 1.5       ,  3.0...,  0.8...],
       [-1.5       ,  5.7..., -0.4...]])

Métodos

fit	Ajusta todos los transformadores usando X.
fit_transform	Ajusta todos los transformadores, transforma los datos y concatena los resultados.
get_feature_names	Obtiene los nombres de las características de todos los transformadores.
get_params	Obtiene los parámetros para este estimador.
set_params	Establece los parámetros de este estimador.
transform	Transforma X por separado por cada transformador, concatena los resultados.

fit()

Ajusta todos los transformadores usando X.

Parámetros

Xiterable o array-like, dependiendo de los transformadores

Datos de entrada, utilizados para ajustar los transformadores.

yarray-like de forma (n_samples, n_outputs), default=None

Objetivos para el aprendizaje supervisado.

Devuelve

selfFeatureUnion

Este estimador

fit_transform()

Ajusta todos los transformadores, transforma los datos y concatena los resultados.

Parámetros

Xiterable o array-like, dependiendo de los transformadores

Datos de entrada a transformar.

yarray-like de forma (n_samples, n_outputs), default=None

Objetivos para el aprendizaje supervisado.

Devuelve

X_tarray-like o matriz dispersa de forma (n_samples, sum_n_components)

hstack de resultados de transformadores. sum_n_components es la suma de n_components (dimensión de salida) sobre transformadores.

get_feature_names()

Obtiene los nombres de las características de todos los transformadores.

Devuelve

feature_nameslist de strings

Nombres de las características producidas por transform.

get_params()

Obtiene los parámetros para este estimador.

Devuelve los parámetros dados en el constructor así como los estimadores contenidos en la transformer_list de la FeatureUnion.

Parámetros

deepbool, default=True

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

Devuelve

paramsmapeo de string a cualquiera

Nombres de parámetros mapeados a sus valores.

set_params()

Establece los parámetros de este estimador.

Las claves de parámetros válidos se pueden listar con get_params(). Ten en cuenta que puedes establecer directamente los parámetros de los estimadores contenidos en tranformer_list.

Devuelve

self

transform()

Transforma X por separado por cada transformador, concatena los resultados.

Parámetros

Xiterable o array-like, dependiendo de los transformadores

Datos de entrada a transformar.

Devuelve

X_tarray-like o matriz dispersa de forma (n_samples, sum_n_components)

hstack de resultados de transformadores. sum_n_components es la suma de n_components (dimensión de salida) sobre transformadores.

Ejemplos utilizando sklearn.pipeline.FeatureUnion

Concatenación de múltiples métodos de extracción de características