sklearn.preprocessing.PolynomialFeatures多项式特征 |
您所在的位置：网站首页 › sklearn polynomial › sklearn.preprocessing.PolynomialFeatures多项式特征 |
|
🌠 『精品学习专栏导航帖』 🐳最适合入门的100个深度学习实战项目🐳🐙【PyTorch深度学习项目实战100例目录】项目详解 + 数据集 + 完整源码🐙🐶【机器学习入门项目10例目录】项目详解 + 数据集 + 完整源码🐶🦜【机器学习项目实战10例目录】项目详解 + 数据集 + 完整源码🦜🐌Java经典编程100例🐌🦋Python经典编程100例🦋🦄蓝桥杯历届真题题目+解析+代码+答案🦄🐯【2023王道数据结构目录】课后算法设计题C、C++代码实现完整版大全🐯生成多项式和交互特征。 生成一个新的特征矩阵，该矩阵由度小于或等于指定度的特征的所有多项式组合组成。例如，如果输入样本是二维且格式为[a，b]，则2阶多项式特征为[1，a，b，a ^ 2，ab，b ^ 2]。 参量属性度int，默认= 2多项式特征的程度。interact_only bool，默认为False如果为真，只有相互作用特征产生：是至多产品特征degree 不同输入特征（因此不是 ，等）。x[1] ** 2x[0] * x[2] ** 3include_bias bool，默认为True如果为True（默认值），则包括一个偏差列，该特征中所有多项式的幂均为零（即，一列的幂-在线性模型中充当拦截项）。顺序{‘C’，‘F’}，默认='C’在密集情况下输出数组的顺序。“ F”阶的计算速度更快，但可能会减慢后续的估计量。0.21版中的新功能。形状的powers_ ndarray（n_output_features，n_input_features）powers_ [i，j]是第i个输出中第j个输入的指数。n_input_features_ int输入功能的总数。n_output_features_ int多项式输出特征的总数。通过迭代所有适当大小的输入要素组合来计算输出要素的数量。例子 >>> import numpy as np >>> from sklearn.preprocessing import PolynomialFeatures >>> X = np.arange(6).reshape(3, 2) >>> X array([[0, 1], [2, 3], [4, 5]]) >>> poly = PolynomialFeatures(2) >>> poly.fit_transform(X) array([[ 1., 0., 1., 0., 0., 1.], [ 1., 2., 3., 4., 6., 9.], [ 1., 4., 5., 16., 20., 25.]]) >>> poly = PolynomialFeatures(interaction_only=True) >>> poly.fit_transform(X) array([[ 1., 0., 1., 0.], [ 1., 2., 3., 6.], [ 1., 4., 5., 20.]])fit（X [，y]） 计算输出要素的数量。 fit_transform（X [，y]） 适合数据，然后对其进行转换。 get_feature_names（[input_features]） 返回输出要素的要素名称 get_params（[深]） 获取此估计量的参数。 set_params（**参数） 设置此估算器的参数。 transform（X） 将数据转换为多项式特征 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |