如何在tensorflow中实现sklearn的PolynomialFeatures？

Posted 2023-02-16

【中文标题】如何在tensorflow中实现sklearn的PolynomialFeatures？

【英文标题】：How to implement sklearn's PolynomialFeatures in tensorflow?

【发布时间】：2017-09-04 21:53:28

【问题描述】：

我正在尝试将 scikit-learn 的 PolynomialFeatures 实现为 tensorflow 和 Keras 中的前馈神经网络中的一个层。为简单起见，我将举一个使用 NumPy 数组的示例。如果一个batch有3个样本，并且某一层的激活等于(3, 2)形矩阵

>>> X = np.arange(0, 6).reshape(2, 3)
>>> X
array([[0, 1],
       [2, 3],
       [4, 5]])

那么我希望下一层的激活等于X 的 2 次多项式特征扩展：

>>> from sklearn.preprocessing import PolynomialFeatures
>>> PolynomialFeatures(degree=2).fit_transform(X)
array([[  1.,   0.,   1.,   0.,   0.,   1.],
       [  1.,   2.,   3.,   4.,   6.,   9.],
       [  1.,   4.,   5.,  16.,  20.,  25.]])

也就是说，如果层 i 的激活是矩阵X（形状为(batch_size, num_features)），那么对于参数选择degree=2 我想要层的激活i + 1 是

的串联

一列batch_size 很多1.， X 自己， 以及X 的所有无序列对的元素乘积：X[:, 0] * X[:, 0]、X[:, 0] * X[:, 1] 和 X[:, 1] * X[:, 1]。

---

到目前为止，我最接近的解决方案是连接X 的一些幂：

import keras.backend as K
X = K.reshape(K.arange(0, 6), (3, 2))
with K.get_session().as_default():
    print(K.concatenate([K.pow(X, 0), K.pow(X, 1), K.pow(X, 2)]).eval())

输出：

[[ 1  1  0  1  0  1]
 [ 1  1  2  3  4  9]
 [ 1  1  4  5 16 25]]

即，1s 的两列（比我想要的多一个，但我可以忍受这种重复）、X 本身和X 平方元素的连接。

有没有办法计算 不同 列的乘积（以自动可微分的方式）？我无法弄清楚如何在张量流中实现的step of PolynomialFeatures 是用另一个矩阵的某些列的乘积（跨越axis=1）填充矩阵的列：XP[:, i] = X[:, c].prod(axis=1)，其中c 是一个元组(0, 0, 1) 等索引。

【参考方案1】：

如果你构建一个包含所有 n 个基本特征的向量 v_1 并用它自己创建该向量的 outer product，则结果将是所有特征成对乘积的对称 (n,n) 矩阵 M_2（在对角线）。您可以使用tensorflow_probability.math.fill_triangular_inverse 将唯一条目的三角形切片提取到向量 v_2 中。然后，v_1 和 v_2 的串联将用作高达 2 次的多项式特征向量。这是一个只有两个特征维度的示例：

v_1 = (x,y) ==> M_2 = (xx, xy; yx, yy) = (x^2, xy; xy, y^2) ==> v_2 = (x^2, xy, y^2)

通过将 v_1 增加 1，您还将在同一输出中获得常数 1 和一阶值。

v_2 和 v_1 的外积将返回一个矩形矩阵 M_3，其中包含具有重复项的三次项。可能有一些技巧可以过滤掉重复项，甚至可以推广到更高的程度 d. （生成外积 d-cube 并提取广义三角形切片是一种低效的解决方案。）

当然可以通过其他方式使唯一多项式特征的向量达到所需程度（即枚举有界基数的多集），但是生成的特征的绝对数量将不可避免地变得难以管理/臃肿，除非输入维度中的任何一个n 或度数 d 非常小。 （见https://en.wikipedia.org/wiki/Multiset#Counting_multisets）

对于有限数量的多项式（或一般乘积（xi^wi））特征，是否可以使用可训练的维度选择器？对于某些应用，Deepmind 的 NALU 单元可能很有用。他们能够学习加权加法和加权乘法（正数）。

另一种提取有限多项式特征的方法是堆叠 f(PI(wij*xj+bij)) 形式的乘法层（具有统一激活 f），如 Yadav, Kalra & John (2006) 所述并由我自己实现here（尚未彻底测试）。

PolynomialCrossing 定义了一种在堆叠时提供（有损）多项式特征提取的层类型。每一层基本上将前一个输出层的线性投影与初始输入相乘。它被证明是有用的。