MiniBatchSparsePCA#
- class sklearn.decomposition.MiniBatchSparsePCA(n_components=None, *, alpha=1, ridge_alpha=0.01, max_iter=1000, callback=None, batch_size=3, verbose=False, shuffle=True, n_jobs=None, method='lars', random_state=None, tol=0.001, max_no_improvement=10)[source]#
小批量稀疏主成分分析。
寻找能够最佳重建数据的稀疏成分集。稀疏程度可以通过L1惩罚的系数（由参数alpha给出）来控制。
有关将稀疏PCA与PCA进行比较的示例，请参见 Faces dataset decompositions
在 用户指南 中了解更多信息。
- 参数：
- n_componentsint，默认为None
要提取的稀疏原子数。如果为None，则
n_components设置为n_features。- alphaint，默认为1
控制稀疏性的参数。较高的值会导致更稀疏的成分。
- ridge_alphafloat，默认为0.01
为了在调用transform方法时提高条件数而应用的岭收缩量。
- max_iterint，默认为1_000
在停止之前，对完整数据集进行的最大迭代次数，独立于任何提前停止标准启发式方法。
1.2版本中添加。
- callbackcallable，默认为None
每五次迭代调用一次的可调用对象。
- batch_sizeint，默认为3
每次小批量中要获取的特征数。
- verboseint或bool，默认为False
控制详细程度；值越高，显示的消息越多。默认为0。
- shufflebool，默认为True
是否在将数据分成批次之前对其进行洗牌。
- n_jobsint，默认为None
要运行的并行作业数。
None表示1（除非在joblib.parallel_backend上下文中）。-1表示使用所有处理器。更多详情请参见词汇表。- method{'lars', 'cd'}，默认为'lars'
用于优化的计算方法。lars：使用最小角回归法来解决套索问题（linear_model.lars_path）；cd：使用坐标下降法来计算套索解（linear_model.Lasso）。如果估计的成分是稀疏的，则Lars会更快。
- random_stateint、RandomState实例或None，默认为None
当
shuffle设置为True时，用于在线字典学习过程中的随机洗牌。传递一个整数以在多次函数调用中获得可重复的结果。参见词汇表。- tolfloat，默认为1e-3
根据两次迭代之间字典差异的范数控制提前停止。
要禁用基于字典变化的提前停止，请将
tol设置为0.0。1.1版本中添加。
- max_no_improvementint或None，默认为10
根据不会导致平滑成本函数改进的连续小批量数量控制提前停止。
要禁用基于成本函数的收敛检测，请将
max_no_improvement设置为None。1.1版本中添加。
- 属性：
- components_形状为(n_components, n_features)的ndarray
从数据中提取的稀疏成分。
- n_components_int
估计的成分数量。
0.23版本中添加。
- n_iter_int
运行的迭代次数。
- mean_形状为(n_features,)的ndarray
从训练集估计的每个特征的经验均值。等于
X.mean(axis=0)。- n_features_in_int
在拟合期间看到的特征数量。
0.24版本中添加。
- feature_names_in_形状为(
n_features_in_,)的ndarray 在拟合期间看到的特征名称。仅当
X具有全部为字符串的特征名称时才定义。1.0版本中添加。
另请参见
DictionaryLearning寻找稀疏编码数据的字典。
IncrementalPCA增量主成分分析。
PCA主成分分析。
SparsePCA稀疏主成分分析。
TruncatedSVD使用截断SVD进行降维。
示例
>>> import numpy as np >>> from sklearn.datasets import make_friedman1 >>> from sklearn.decomposition import MiniBatchSparsePCA >>> X, _ = make_friedman1(n_samples=200, n_features=30, random_state=0) >>> transformer = MiniBatchSparsePCA(n_components=5, batch_size=50, ... max_iter=10, random_state=0) >>> transformer.fit(X) MiniBatchSparsePCA(...) >>> X_transformed = transformer.transform(X) >>> X_transformed.shape (200, 5) >>> # most values in the components_ are zero (sparsity) >>> np.mean(transformer.components_ == 0) np.float64(0.9...)
- fit(X, y=None)[source]#
根据X中的数据拟合模型。
- 参数：
- X形状为(n_samples, n_features)的类数组
训练向量，其中
n_samples是样本数，n_features是特征数。- y忽略
未使用，出于 API 一致性约定而保留。
- 返回:
- self对象
返回实例本身。
- fit_transform(X, y=None, **fit_params)[source]#
拟合数据，然后转换它。
使用可选参数
fit_params将转换器拟合到X和y，并返回X的转换版本。- 参数：
- X形状为(n_samples, n_features)的类数组
输入样本。
- y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组，默认值为 None
目标值（对于无监督转换则为 None）。
- **fit_paramsdict
附加拟合参数。
- 返回:
- X_new形状为 (n_samples, n_features_new) 的 ndarray 数组
转换后的数组。
- get_feature_names_out(input_features=None)[source]#
获取转换后的输出特征名称。
输出的特征名称将以小写的类名作为前缀。例如，如果转换器输出 3 个特征，则输出的特征名称为：
["class_name0", "class_name1", "class_name2"]。- 参数：
- input_featuresstr 的类数组或 None，默认为 None
仅用于使用在
fit中看到的名称验证特征名称。
- 返回:
- feature_names_outstr 对象的 ndarray
转换后的特征名称。
- get_metadata_routing()[source]#
获取此对象的元数据路由。
请查看用户指南，了解路由机制的工作原理。
- 返回:
- routingMetadataRequest
一个
MetadataRequest封装了路由信息。
- get_params(deep=True)[source]#
获取此估计器的参数。
- 参数：
- deepbool，默认为 True
如果为 True，则将返回此估计器和作为估计器的包含子对象的参数。
- 返回:
- paramsdict
参数名称与其值的映射。
- inverse_transform(X)[source]#
将数据从潜在空间转换到原始空间。
由于正向分解引起的信丢失息，这种反演是一种近似值。
1.2版本中添加。
- 参数：
- X形状为 (n_samples, n_components) 的 ndarray
潜在空间中的数据。
- 返回:
- X_original形状为 (n_samples, n_features) 的 ndarray
原始空间中重建的数据。
- set_output(*, transform=None)[source]#
设置输出容器。
参见介绍 set_output API，了解如何使用此 API 的示例。
- 参数：
- transform{"default", "pandas", "polars"}，默认为 None
配置
transform和fit_transform的输出。"default"：转换器的默认输出格式"pandas"：DataFrame 输出"polars"：Polars 输出None：转换配置保持不变
版本 1.4 中新增：
"polars"选项已添加。
- 返回:
- self估计器实例
估计器实例。
