sparse_encode#

sklearn.decomposition.sparse_encode(X, dictionary, *, gram=None, cov=None, algorithm='lasso_lars', n_nonzero_coefs=None, alpha=None, copy_cov=True, init=None, max_iter=1000, n_jobs=None, check_input=True, verbose=0, positive=False)[source]#

稀疏编码。

结果的每一行都是稀疏编码问题的解。目标是找到一个稀疏数组 code，使得

X ~= code * dictionary

更多信息请参阅用户指南。

参数:
X形状为 (n_samples, n_features) 的类数组

数据矩阵。

dictionary形状为 (n_components, n_features) 的类数组

用于解决数据稀疏编码问题的字典矩阵。某些算法假定行已标准化以获得有意义的输出。

gram形状为 (n_components, n_components) 的类数组，默认为 None

预计算的格拉姆矩阵，dictionary * dictionary'。

cov形状为 (n_components, n_samples) 的类数组，默认为 None

预计算的协方差，dictionary' * X。

algorithm{‘lasso_lars’, ‘lasso_cd’, ‘lars’, ‘omp’, ‘threshold’}，默认为 ‘lasso_lars’

使用的算法

  • 'lars'：使用最小角回归方法（linear_model.lars_path）；

  • 'lasso_lars'：使用 Lars 计算 Lasso 解；

  • 'lasso_cd'：使用坐标下降法计算 Lasso 解（linear_model.Lasso）。如果估计的组件是稀疏的，lasso_lars 会更快；

  • 'omp'：使用正交匹配追踪来估计稀疏解；

  • 'threshold'：将投影 dictionary * data' 中小于正则化项的所有系数归零。

n_nonzero_coefs整型，默认为 None

解的每一列中目标非零系数的数量。这仅用于 algorithm='lars' 和 algorithm='omp'，在 omp 的情况下会被 alpha 覆盖。如果为 None，则 n_nonzero_coefs=int(n_features / 10)。

alpha浮点型，默认为 None

如果 algorithm='lasso_lars' 或 algorithm='lasso_cd'，alpha 是应用于 L1 范数的惩罚项。如果 algorithm='threshold'，alpha 是阈值的绝对值，低于该阈值的系数将被归零。如果 algorithm='omp'，alpha 是容差参数：目标重构误差的值。在这种情况下，它会覆盖 n_nonzero_coefs。如果为 None，则默认为 1。

copy_cov布尔型，默认为 True

是否复制预计算的协方差矩阵；如果为 False，它可能会被覆盖。

init形状为 (n_samples, n_components) 的 ndarray，默认为 None

稀疏编码的初始化值。仅在 algorithm='lasso_cd' 时使用。

max_iter整型，默认为 1000

如果 algorithm='lasso_cd' 或 'lasso_lars'，要执行的最大迭代次数。

n_jobs整型，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。更多详细信息请参阅词汇表。

check_input布尔型，默认为 True

如果为 False，则不会检查输入数组 X 和 dictionary。

verbose整型，默认为 0

控制详细程度；值越高，消息越多。

positive布尔型，默认为 False

在寻找编码时是否强制为正。

0.20 版本新增。

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

稀疏编码。

另请参阅

sklearn.linear_model.lars_path

使用 LARS 算法计算最小角回归或 Lasso 路径。

sklearn.linear_model.orthogonal_mp

解决正交匹配追踪问题。

sklearn.linear_model.Lasso

使用 L1 先验作为正则化器训练线性模型。

SparseCoder

从固定的预计算字典中找到数据的稀疏表示。

示例

>>> import numpy as np
>>> from sklearn.decomposition import sparse_encode
>>> X = np.array([[-1, -1, -1], [0, 0, 3]])
>>> dictionary = np.array(
...     [[0, 1, 0],
...      [-1, -1, 2],
...      [1, 1, 1],
...      [0, 1, 1],
...      [0, 2, 1]],
...    dtype=np.float64
... )
>>> sparse_encode(X, dictionary, alpha=1e-10)
array([[ 0.,  0., -1.,  0.,  0.],
       [ 0.,  1.,  1.,  0.,  0.]])
本页内容