降维#

降低输入数据维度的转换器。

子模块#

包内容#

类摘要#

LinearDiscriminantAnalysis

使用线性判别分析 (Linear Discriminant Analysis) 减少特征数量。

PCA

使用主成分分析 (Principal Component Analysis - PCA) 减少特征数量。

目录#

class evalml.pipelines.components.transformers.dimensionality_reduction.LinearDiscriminantAnalysis(n_components=None, random_seed=0, **kwargs)[source]#

使用线性判别分析 (Linear Discriminant Analysis) 减少特征数量。

参数

  • n_components (int) – 计算后保留的特征数量。默认为 None。

  • random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges

{}

modifies_features

真

modifies_target

假

name

线性判别分析转换器

training_only

假

方法

clone

使用相同的参数和随机状态构建一个新组件。

default_parameters

返回此组件的默认参数。

describe

描述组件及其参数。

fit

拟合 LDA 组件。

fit_transform

使用 LDA 组件拟合和转换数据。

load

从文件路径加载组件。

needs_fitting

返回布尔值，判断组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。

parameters

返回用于初始化组件的参数。

save

将组件保存到文件路径。

transform

使用已拟合的 LDA 组件转换数据。

update_parameters

更新组件的参数字典。
clone(self)#

使用相同的参数和随机状态构建一个新组件。

返回

具有相同参数和随机状态的此组件的新实例。

default_parameters(cls)#

返回此组件的默认参数。

我们的约定是 Component.default_parameters == Component().parameters。

返回

此组件的默认参数。

返回类型

dict

describe(self, print_name=False, return_dict=False)#

描述组件及其参数。

参数

  • print_name (bool, optional) – 是否打印组件名称

  • return_dict (bool, optional) – 是否以字典格式 {"name": name, "parameters": parameters} 返回描述

返回

如果 return_dict 为 True，则返回字典，否则返回 None。

返回类型

None 或 dict

fit(self, X, y)[source]#

拟合 LDA 组件。

参数

  • X (pd.DataFrame) – 输入训练数据，形状为 [n_samples, n_features]。

  • y (pd.Series, optional) – 目标训练数据，长度为 [n_samples]。

返回

self

引发

ValueError – 如果输入数据并非全部为数值类型。

fit_transform(self, X, y=None)[source]#

使用 LDA 组件拟合和转换数据。

参数

  • X (pd.DataFrame) – 输入训练数据，形状为 [n_samples, n_features]。

  • y (pd.Series, optional) – 目标训练数据，长度为 [n_samples]。

返回

转换后的数据。

返回类型

pd.DataFrame

引发

ValueError – 如果输入数据并非全部为数值类型。

static load(file_path)#

从文件路径加载组件。

参数

file_path (str) – 加载文件的位置。

返回

ComponentBase 对象

needs_fitting(self)#

返回布尔值，判断组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。

对于不需要拟合或其拟合方法不做任何事情的组件，可以将其覆盖为 False。

返回

True。

property parameters(self)#

返回用于初始化组件的参数。

save(self, file_path, pickle_protocol=cloudpickle.DEFAULT_PROTOCOL)#

将组件保存到文件路径。

参数

  • file_path (str) – 保存文件的位置。

  • pickle_protocol (int) – pickle 数据流格式。

transform(self, X, y=None)[source]#

使用已拟合的 LDA 组件转换数据。

参数

  • X (pd.DataFrame) – 输入训练数据，形状为 [n_samples, n_features]。

  • y (pd.Series, optional) – 目标训练数据，长度为 [n_samples]。

返回

转换后的数据。

返回类型

pd.DataFrame

引发

ValueError – 如果输入数据并非全部为数值类型。

update_parameters(self, update_dict, reset_fit=True)#

更新组件的参数字典。

参数

  • update_dict (dict) – 需要更新的参数字典。

  • reset_fit (bool, optional) – 如果为 True，将把 _is_fitted 设置为 False。

class evalml.pipelines.components.transformers.dimensionality_reduction.PCA(variance=0.95, n_components=None, random_seed=0, **kwargs)[source]#

使用主成分分析 (Principal Component Analysis - PCA) 减少特征数量。

参数

  • variance (float) – 在减少特征数量时应保留的原始数据方差的百分比。默认为 0.95。

  • n_components (int) – 计算 SVD 后要保留的特征数量。默认为 None，但如果设置，将覆盖 variance 变量。

  • random_seed (int) – 随机数生成器的种子。默认为 0。

属性

hyperparameter_ranges

Real(0.25, 1)}:type: {“variance”

modifies_features

真

modifies_target

假

name

PCA 转换器

training_only

假

方法

clone

使用相同的参数和随机状态构建一个新组件。

default_parameters

返回此组件的默认参数。

describe

描述组件及其参数。

fit

拟合 PCA 组件。

fit_transform

使用 PCA 组件拟合和转换数据。

load

从文件路径加载组件。

needs_fitting

返回布尔值，判断组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。

parameters

返回用于初始化组件的参数。

save

将组件保存到文件路径。

transform

使用已拟合的 PCA 组件转换数据。

update_parameters

更新组件的参数字典。
clone(self)#

使用相同的参数和随机状态构建一个新组件。

返回

具有相同参数和随机状态的此组件的新实例。

default_parameters(cls)#

返回此组件的默认参数。

我们的约定是 Component.default_parameters == Component().parameters。

返回

此组件的默认参数。

返回类型

dict

describe(self, print_name=False, return_dict=False)#

描述组件及其参数。

参数

  • print_name (bool, optional) – 是否打印组件名称

  • return_dict (bool, optional) – 是否以字典格式 {"name": name, "parameters": parameters} 返回描述

返回

如果 return_dict 为 True，则返回字典，否则返回 None。

返回类型

None 或 dict

fit(self, X, y=None)[source]#

拟合 PCA 组件。

参数

  • X (pd.DataFrame) – 输入训练数据，形状为 [n_samples, n_features]。

  • y (pd.Series, optional) – 目标训练数据，长度为 [n_samples]。

返回

self

引发

ValueError – 如果输入数据并非全部为数值类型。

fit_transform(self, X, y=None)[source]#

使用 PCA 组件拟合和转换数据。

参数

  • X (pd.DataFrame) – 输入训练数据，形状为 [n_samples, n_features]。

  • y (pd.Series, optional) – 目标训练数据，长度为 [n_samples]。

返回

转换后的数据。

返回类型

pd.DataFrame

引发

ValueError – 如果输入数据并非全部为数值类型。

static load(file_path)#

从文件路径加载组件。

参数

file_path (str) – 加载文件的位置。

返回

ComponentBase 对象

needs_fitting(self)#

返回布尔值，判断组件在调用 predict、predict_proba、transform 或 feature_importances 之前是否需要拟合。

对于不需要拟合或其拟合方法不做任何事情的组件，可以将其覆盖为 False。

返回

True。

property parameters(self)#

返回用于初始化组件的参数。

save(self, file_path, pickle_protocol=cloudpickle.DEFAULT_PROTOCOL)#

将组件保存到文件路径。

参数

  • file_path (str) – 保存文件的位置。

  • pickle_protocol (int) – pickle 数据流格式。

transform(self, X, y=None)[source]#

使用已拟合的 PCA 组件转换数据。

参数

  • X (pd.DataFrame) – 输入训练数据，形状为 [n_samples, n_features]。

  • y (pd.Series, optional) – 目标训练数据，长度为 [n_samples]。

返回

转换后的数据。

返回类型

pd.DataFrame

引发

ValueError – 如果输入数据并非全部为数值类型。

update_parameters(self, update_dict, reset_fit=True)#

更新组件的参数字典。

参数

  • update_dict (dict) – 需要更新的参数字典。

  • reset_fit (bool, optional) – 如果为 True，将把 _is_fitted 设置为 False。

本页内容
显示源代码