稀疏PCA#
- 类 sklearn.decomposition.SparsePCA(n_components=None, *, alpha=1, ridge_alpha=0.01, max_iter=1000, tol=1e-08, method='lars', n_jobs=None, U_init=None, V_init=None, verbose=False, random_state=None)[源码]#
稀疏主成分分析 (SparsePCA)。
寻找能够最优地重建数据的稀疏分量集。稀疏程度可通过L1惩罚的系数（由参数 alpha 给出）进行控制。
在用户指南中阅读更多内容。
- 参数:
- n_components整型，默认值为 None
要提取的稀疏原子数量。如果为 None，则
n_components将设置为n_features。- alpha浮点型，默认值为 1
稀疏控制参数。值越高，分量越稀疏。
- ridge_alpha浮点型，默认值为 0.01
在调用 transform 方法时，为改善条件而应用的岭收缩量。
- max_iter整型，默认值为 1000
要执行的最大迭代次数。
- tol浮点型，默认值为 1e-8
停止条件的容忍度。
- method{'lars', 'cd'}，默认值为 'lars'
用于优化的方法。lars：使用最小角回归方法解决 lasso 问题 (linear_model.lars_path) cd：使用坐标下降方法计算 Lasso 解 (linear_model.Lasso)。如果估计的分量是稀疏的，Lars 将更快。
- n_jobs整型，默认值为 None
要运行的并行作业数量。
None表示 1，除非在joblib.parallel_backend上下文中。-1表示使用所有处理器。有关更多详细信息，请参见词汇表。- U_init形状为 (n_samples, n_components) 的 ndarray，默认值为 None
用于热启动场景的载荷初始值。仅当
U_init和V_init均不为 None 时使用。- V_init形状为 (n_components, n_features) 的 ndarray，默认值为 None
用于热启动场景的分量初始值。仅当
U_init和V_init均不为 None 时使用。- verbose整型或布尔型，默认值为 False
控制详细程度；值越高，消息越多。默认为 0。
- random_state整型、RandomState 实例或 None，默认值为 None
在字典学习期间使用。传入一个整数可确保多次函数调用结果可复现。请参见词汇表。
- 属性:
- components_形状为 (n_components, n_features) 的 ndarray
从数据中提取的稀疏分量。
- error_ndarray
每次迭代的误差向量。
- n_components_整型
估计的分量数量。
0.23 版本新增。
- n_iter_整型
运行的迭代次数。
- mean_形状为 (n_features,) 的 ndarray
每个特征的经验平均值，从训练集中估计。等于
X.mean(axis=0)。- n_features_in_整型
在拟合 (fit) 期间见到的特征数量。
0.24 版本新增。
- feature_names_in_形状为 (
n_features_in_,) 的 ndarray 在拟合 (fit) 期间见到的特征名称。仅当
X的所有特征名称均为字符串时才定义。1.0 版本新增。
另请参见
PCA主成分分析实现。
MiniBatchSparsePCASparsePCA的小批量变体，速度更快但精度较低。DictionaryLearning使用稀疏代码的通用字典学习问题。
示例
>>> import numpy as np >>> from sklearn.datasets import make_friedman1 >>> from sklearn.decomposition import SparsePCA >>> X, _ = make_friedman1(n_samples=200, n_features=30, random_state=0) >>> transformer = SparsePCA(n_components=5, random_state=0) >>> transformer.fit(X) SparsePCA(...) >>> 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(0.9666)
- fit(X, y=None)[源码]#
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是样本数量，n_features是特征数量。- y被忽略
未使用，此处存在是为了符合 API 惯例。
- 返回:
- self对象
返回实例本身。
- fit_transform(X, y=None, **fit_params)[源码]#
拟合数据，然后对其进行转换。
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，为 None）。
- **fit_params字典
额外的拟合参数。
- 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)[源码]#
获取转换后的输出特征名称。
输出特征名称将以小写类名作为前缀。例如，如果转换器输出 3 个特征，则输出特征名称为：
["class_name0", "class_name1", "class_name2"]。- 参数:
- input_features字符串类数组或 None，默认值为 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
转换后的特征名称。
- get_metadata_routing()[源码]#
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
一个封装了路由信息的
MetadataRequest。
- get_params(deep=True)[源码]#
获取此估计器的参数。
- 参数:
- deep布尔型，默认值为 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
参数名称及其对应值的映射。
- inverse_transform(X)[源码]#
将数据从潜在空间转换回原始空间。
此反演是近似的，因为正向分解会引起信息损失。
1.2 版本新增。
- 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)[源码]#
设置输出容器。
请参阅set_output API 介绍，了解如何使用此 API 的示例。
- 参数:
- transform{"default", "pandas", "polars"}，默认值为 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：转换配置不变
1.4 版本新增：添加了
"polars"选项。
- 返回:
- self估计器实例
估计器实例。
