机器学习-特征映射方法

在进行正则化逻辑回归的时候，需要用到特征映射的方法：将一个二维特征(x1, x2)根据自己的需要映射到高维。

如下图所示的例子：

# 这里x,y是np数组的形式，as_ndarray默认为false，这是作者定义的函数
def feature_mapping(x, y, power, as_ndarray=False):
    data = {
    "F{}{}".format(i - p, p): np.power(x, i - p) * np.power(y, p)
            for i in np.arange(power + 1)
            for p in np.arange(i + 1)
            }
    if as_ndarray:
        return np.array(pd.DataFrame(data))
    else:
        return pd.DataFrame(data)

我们的结果展示为：

     F00       F10       F01  ...           F24           F15           F06
0    1.0  0.051267  0.699560  ...  6.294709e-04  8.589398e-03  1.172060e-01
1    1.0 -0.092742  0.684940  ...  1.893054e-03 -1.398103e-02  1.032560e-01
2    1.0 -0.213710  0.692250  ...  1.048821e-02 -3.397345e-02  1.100469e-01
3    1.0 -0.375000  0.502190  ...  8.944062e-03 -1.197765e-02  1.604015e-02
4    1.0 -0.513250  0.465640  ...  1.238395e-02 -1.123519e-02  1.019299e-02
..   ...       ...       ...  ...           ...           ...           ...
113  1.0 -0.720620  0.538740  ...  4.374511e-02 -3.270412e-02  2.444980e-02
114  1.0 -0.593890  0.494880  ...  2.115493e-02 -1.762810e-02  1.468924e-02
115  1.0 -0.484450  0.999270  ...  2.340073e-01 -4.826843e-01  9.956280e-01
116  1.0 -0.006336  0.999270  ...  4.003286e-05 -6.313306e-03  9.956280e-01
117  1.0  0.632650 -0.030612  ...  3.514745e-07 -1.700678e-08  8.229060e-10