Caratteristica casuale

term_id: random_feature

Category: basic_concepts

Definition

Le mappe delle caratteristiche casuali trasformano gli input in un nuovo spazio in cui i modelli lineari possono approssimare funzioni kernel non lineari. Questo approccio, spesso associato al metodo di Nystrom o alle caratteristiche di Fourier, consente di scalare i metodi kernel a grandi dataset.

Summary

Una tecnica che mappa i dati di input in uno spazio di dimensione superiore utilizzando proiezioni casuali per approssimare efficientemente i metodi kernel.

Key Concepts

  • Approssimazione kernel
  • Mappatura delle caratteristiche
  • Efficienza computazionale
  • Linearizzazione

Use Cases

  • Regressione kernel su larga scala
  • Approssimazione del kernel tangente neurale
  • Processi gaussiani scalabili

Code Example

1
2
3
4
5

import numpy as np
from sklearn.kernel_approximation import RBFSampler
X = np.random.rand(100, 5)
transformer = RBFSampler(gamma=1, n_components=50, random_state=42)
X_transformed = transformer.fit_transform(X)

Related