Что это такое? class GaussianFeatures(BaseEstimator, TransformerMixin): def init(self,…
- User
Что это такое?
class GaussianFeatures(BaseEstimator, TransformerMixin): def init(self, N, width_factor=2.0): self.N = N self.width_factor = width_factor
@staticmethod def _gauss_basis(x, y, width, axis=None): arg = (x - y) / width return np.exp(-0.5 * np.sum(arg ** 2, axis)) def fit(self, X, y=None): # create N centers spread along the data range self.centers_ = np.linspace(X.min(), X.max(), self.N) self.width_ = self.width_factor * (self.centers_[1] - self.centers_[0]) return self def transform(self, X): return self._gauss_basis(X[:, :, np.newaxis], self.centers_, self.width_, axis=1) - Assistant
Этот класс
GaussianFeaturesреализует трансформер на основе гауссовых функций признаков (Gaussian Basis Functions), совместимый с библиотекой scikit-learn. Он используется для преобразования исходных данных в пространство признаков с помощью гауссовых базисных функций, что позволяет модели захватывать нелинейные зависимости в данных.Разбор кода
-
Наследование:
class GaussianFeatures(BaseEstimator, TransformerMixin):Класс наследуется от
BaseEstimatorиTransformerMixin, что делает его совместимым с инструментами scikit-learn для построения пайплайнов и выполнения кросс-валидации. -
Инициализация:
def __init__(self, N, width_factor=2.0): self.N = N self.width_factor = width_factorN: количество гауссовых центров (базисных точек).width_factor: коэффициент для определения ширины гауссовых функций.
-
Внутренняя функция гауссовой базы:
@staticmethod def _gauss_basis(x, y, width, axis=None): arg = (x - y) / width return np.exp(-0.5 * np.sum(arg ** 2, axis))Эта статическая функция вычисляет значения гауссовых функций:
x: входные данные.y: центры гауссовых функций.width: ширина гауссовых функций.axis: ось, по которой выполняется суммирование.
-
Метод
fit:def fit(self, X, y=None): # создаем N центров, равномерно распределенных по диапазону данных self.centers_ = np.linspace(X.min(), X.max(), self.N) self.width_ = self.width_factor * (self.centers_[1] - self.centers_[0]) return selfВ методе
fit:- Определяются
Nцентров (centers_), равномерно распределенных от минимального до максимального значения входных данныхX. - Вычисляется ширина (
width_) гауссовых функций на основе расстояния между соседними центрами и заданногоwidth_factor.
- Определяются
-
Метод
transform:def transform(self, X): return self._gauss_basis(X[:, :, np.newaxis], self.centers_, self.width_, axis=1)В методе
transform:- Применяется гауссовое преобразование к входным данным
X, создавая новые признаки. Каждое значениеXпреобразуется в вектор изNгауссовых функций, что позволяет модели учитывать нелинейные зависимости.
- Применяется гауссовое преобразование к входным данным
Применение
Такой трансформер часто используется в следующих случаях:
- Нелинейные модели: Улучшение производительности линейных моделей путем добавления нелинейных признаков.
- Почти ядровые методы: Предоставление модели возможности работать в пространстве высокого измерения без явного использования ядровых функций.
- Аппроксимация функций: Приближение сложных функций с помощью суперпозиции гауссовых базисных функций.
Пример использования
from sklearn.pipeline import Pipeline from sklearn.linear_model import LinearRegression import numpy as np # Создаем пайплайн с трансформером и регрессором pipeline = Pipeline([ ('gaussian_features', GaussianFeatures(N=10, width_factor=1.5)), ('linear_regression', LinearRegression()) ]) # Пример данных X = np.linspace(0, 10, 100).reshape(-1, 1) y = np.sin(X).ravel() # Обучение модели pipeline.fit(X, y) # Предсказание y_pred = pipeline.predict(X)В этом примере гауссовые признаки помогают линейной регрессии лучше аппроксимировать нелинейную функцию синуса.
Заключение
Класс
GaussianFeaturesпредоставляет удобный способ преобразования одномерных входных данных в набор гауссовых базисных функций, что расширяет возможности моделей машинного обучения для захвата сложных нелинейных зависимостей в данных. -