FastICA#

class sklearn.decomposition.FastICA(n_components=None, *, algorithm='parallel', whiten='unit-variance', fun='logcosh', fun_args=None, max_iter=200, tol=0.0001, w_init=None, whiten_solver='svd', random_state=None)[source]#

FastICA：一种用于独立成分分析的快速算法。

该实现基于[1]。

在用户指南中阅读更多信息。

参数:
n_components整型，默认值=None

要使用的成分数量。如果传入None，则使用所有成分。

algorithm{‘parallel’, ‘deflation’}，默认值=’parallel’

指定用于FastICA的算法。

whiten字符串或布尔值，默认值=’unit-variance’

指定要使用的白化策略。

  • 如果为'arbitrary-variance'，则使用任意方差白化。

  • 如果为'unit-variance'，则白化矩阵会重新缩放，以确保每个恢复的源具有单位方差。

  • 如果为False，则数据已被视为白化，不执行白化。

版本1.3中的变更：whiten的默认值在1.3版中更改为'unit-variance'。

fun{‘logcosh’, ‘exp’, ‘cube’} 或可调用对象，默认值=’logcosh’

用于近似负熵的G函数的函数形式。可以是'logcosh'、'exp'或'cube'。您也可以提供自己的函数。它应该返回一个元组，包含该点处函数的值及其导数。导数应沿其最后一个维度取平均值。示例

def my_g(x):
    return x ** 3, (3 * x ** 2).mean(axis=-1)
fun_args字典，默认值=None

要发送给函数形式的参数。如果为空或None，且如果fun='logcosh'，fun_args将取值{'alpha' : 1.0}。

max_iter整型，默认值=200

拟合期间的最大迭代次数。

tol浮点型，默认值=1e-4

一个正标量，表示当解混矩阵被认为已收敛时的容差。

w_init形状为 (n_components, n_components) 的类数组对象，默认值=None

初始解混数组。如果w_init=None，则使用从正态分布中抽取的值数组。

whiten_solver{“eigh”, “svd”}，默认值=”svd”

用于白化的求解器。

  • 如果问题是退化的，“svd”在数值上更稳定，当n_samples <= n_features时通常更快。

  • 当n_samples >= n_features时，“eigh”通常内存效率更高，当n_samples >= 50 * n_features时速度可能更快。

在 1.2 版中新增。

random_state整型，RandomState实例或None，默认值=None

当未指定时，用于通过正态分布初始化w_init。传入一个整型，以在多次函数调用中获得可重现的结果。参见词汇表。

属性:
components_形状为 (n_components, n_features) 的ndarray

应用于数据以获得独立源的线性算子。当whiten为False时，这等于解混矩阵；当whiten为True时，这等于np.dot(unmixing_matrix, self.whitening_)。

mixing_形状为 (n_features, n_components) 的ndarray

components_的伪逆。它是将独立源映射到数据的线性算子。

mean_形状为(n_features,) 的ndarray

特征的均值。仅当self.whiten为True时设置。

n_features_in_整型

在拟合期间看到的特征数量。

在 0.24 版中新增。

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的所有特征名称均为字符串时定义。

在 1.0 版中新增。

n_iter_整型

如果算法是“deflation”，n_iter是所有成分上运行的最大迭代次数。否则它们只是达到收敛所需的迭代次数。

whitening_形状为 (n_components, n_features) 的ndarray

仅当whiten为'True'时设置。这是将数据投影到前n_components个主成分上的预白化矩阵。

另请参见

PCA

主成分分析（PCA）。

IncrementalPCA

增量主成分分析（IPCA）。

KernelPCA

核主成分分析（KPCA）。

MiniBatchSparsePCA

小批量稀疏主成分分析。

SparsePCA

稀疏主成分分析（SparsePCA）。

参考文献

[1]

A. Hyvarinen 和 E. Oja，《独立成分分析：算法与应用》，神经网络，13(4-5)，2000，第 411-430 页。

示例

>>> from sklearn.datasets import load_digits
>>> from sklearn.decomposition import FastICA
>>> X, _ = load_digits(return_X_y=True)
>>> transformer = FastICA(n_components=7,
...         random_state=0,
...         whiten='unit-variance')
>>> X_transformed = transformer.fit_transform(X)
>>> X_transformed.shape
(1797, 7)
fit(X, y=None)[source]#

将模型拟合到X。

参数:
X形状为 (n_samples, n_features) 的类数组对象

训练数据，其中n_samples是样本数量，n_features是特征数量。

y忽略

未使用，根据API惯例存在。

返回:
self对象

返回实例本身。

fit_transform(X, y=None)[source]#

拟合模型并从X中恢复源。

参数:
X形状为 (n_samples, n_features) 的类数组对象

训练数据，其中n_samples是样本数量，n_features是特征数量。

y忽略

未使用，根据API惯例存在。

返回:
X_new形状为 (n_samples, n_components) 的ndarray

通过使用估计的解混矩阵变换数据获得的估计源。

get_feature_names_out(input_features=None)[source]#

获取变换的输出特征名称。

输出特征名称将以小写类名称为前缀。例如，如果变换器输出3个特征，则输出特征名称为：["class_name0", "class_name1", "class_name2"]。

参数:
input_features字符串类数组对象或None，默认值=None

仅用于根据fit中看到的名称验证特征名称。

返回:
feature_names_out字符串对象ndarray

变换后的特征名称。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查阅用户指南，了解路由机制的工作原理。

返回:
routingMetadataRequest

封装路由信息的MetadataRequest。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deep布尔值，默认值=True

如果为True，将返回此估计器及其包含的作为估计器的子对象的参数。

返回:
params字典

参数名称及其对应的值。

inverse_transform(X, copy=True)[source]#

将源变换回混合数据（应用混合矩阵）。

参数:
X形状为 (n_samples, n_components) 的类数组对象

源数据，其中n_samples是样本数量，n_components是成分数量。

copy布尔值，默认值=True

如果为False，则传入fit的数据将被覆盖。默认为True。

返回:
X_original形状为 (n_samples, n_features) 的ndarray

使用混合矩阵获得的重构数据。

set_inverse_transform_request(*, copy: bool | None | str = '$UNCHANGED$') → FastICA[source]#

请求传递给inverse_transform方法的元数据。

请注意，此方法仅在enable_metadata_routing=True时才相关（参见sklearn.set_config）。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项包括

  • True：请求元数据，如果提供则传递给inverse_transform。如果未提供元数据，则忽略该请求。

  • False：不请求元数据，元估计器不会将其传递给inverse_transform。

  • None：不请求元数据，如果用户提供元数据，元估计器将引发错误。

  • str：元数据应以给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

在 1.3 版中新增。

注意

此方法仅当此估计器用作元估计器的子估计器时才相关，例如在Pipeline内部使用。否则它没有效果。

参数:
copy字符串、True、False 或 None，默认值=sklearn.utils.metadata_routing.UNCHANGED

inverse_transform方法中copy参数的元数据路由。

返回:
self对象

更新后的对象。

set_output(*, transform=None)[source]#

设置输出容器。

有关如何使用此API的示例，请参阅set_output API介绍。

参数:
transform{“default”, “pandas”, “polars”}，默认值=None

配置transform和fit_transform的输出。

  • "default"：变换器的默认输出格式

  • "pandas"：DataFrame 输出

  • "polars"：Polars 输出

  • None：变换配置保持不变

在版本 1.4 中新增：添加了"polars"选项。

返回:
self估计器实例

估计器实例。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单估计器以及嵌套对象（例如Pipeline）。后者具有<component>__<parameter>形式的参数，因此可以更新嵌套对象的每个组件。

参数:
**params字典

估计器参数。

返回:
self估计器实例

估计器实例。

set_transform_request(*, copy: bool | None | str = '$UNCHANGED$') → FastICA[source]#

请求传递给transform方法的元数据。

请注意，此方法仅在enable_metadata_routing=True时才相关（参见sklearn.set_config）。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项包括

  • True：请求元数据，如果提供则传递给transform。如果未提供元数据，则忽略该请求。

  • False：不请求元数据，元估计器不会将其传递给transform。

  • None：不请求元数据，如果用户提供元数据，元估计器将引发错误。

  • str：元数据应以给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有请求。这允许您更改某些参数的请求而不更改其他参数。

在 1.3 版中新增。

注意

此方法仅当此估计器用作元估计器的子估计器时才相关，例如在Pipeline内部使用。否则它没有效果。

参数:
copy字符串、True、False 或 None，默认值=sklearn.utils.metadata_routing.UNCHANGED

transform方法中copy参数的元数据路由。

返回:
self对象

更新后的对象。

transform(X, copy=True)[source]#

从X中恢复源（应用解混矩阵）。

参数:
X形状为 (n_samples, n_features) 的类数组对象

要变换的数据，其中n_samples是样本数量，n_features是特征数量。

copy布尔值，默认值=True

如果为False，则传入fit的数据可以被覆盖。默认为True。

返回:
X_new形状为 (n_samples, n_components) 的ndarray

通过使用估计的解混矩阵变换数据获得的估计源。