lda#

使用线性判别分析减少特征数量的组件。

模块内容#

类摘要#

LinearDiscriminantAnalysis

使用线性判别分析减少特征数量。

目录#

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

使用线性判别分析减少特征数量。

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	True
modifies_target	False
name	线性判别分析转换器
training_only	False

方法

`clone`	构造一个具有相同参数和随机状态的新组件。
`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 组件拟合并转换数据。
`load`	从文件路径加载组件。
`needs_fitting`	返回一个布尔值，指示组件在调用 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)#

构造一个具有相同参数和随机状态的新组件。

返回值: 此组件的新实例，具有相同的参数和随机状态。

default_parameters(cls)#

返回此组件的默认参数。

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

返回值: 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) – 是否将描述以字典格式 {“name”: name, “parameters”: parameters} 返回

返回值

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_样本, n_特征]。
y (pd.Series, optional) – 目标训练数据，长度为 [n_样本]。

返回值

self

抛出异常

ValueError – 如果输入数据并非全部为数字。

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

使用 LDA 组件拟合并转换数据。

参数

X (pd.DataFrame) – 输入训练数据，形状为 [n_样本, n_特征]。
y (pd.Series, optional) – 目标训练数据，长度为 [n_样本]。

返回值

转换后的数据。

返回类型

pd.DataFrame

抛出异常

ValueError – 如果输入数据并非全部为数字。

static load(file_path)#

从文件路径加载组件。

参数: file_path (str) – 文件加载位置。
返回值: ComponentBase 对象

needs_fitting(self)#

返回一个布尔值，指示组件在调用 predict, predict_proba, transform 或 feature_importances 之前是否需要拟合。

对于不需要拟合或其 fit 方法不执行任何操作的组件，可以将其重写为 False。

返回值: 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) – 文件保存位置。
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_样本, n_特征]。
y (pd.Series, optional) – 目标训练数据，长度为 [n_样本]。

返回值

转换后的数据。

返回类型

pd.DataFrame

抛出异常

ValueError – 如果输入数据并非全部为数字。

update_parameters(self, update_dict, reset_fit=True)#

更新组件的参数字典。

参数

update_dict (dict) – 要更新的参数字典。
reset_fit (bool, optional) – 如果为 True，将把 _is_fitted 设置为 False。