GaussianRandomProjection#
- class sklearn.random_projection.GaussianRandomProjection(n_components='auto', *, eps=0.1, compute_inverse_components=False, random_state=None)[source]#
通过高斯随机投影减少维度。
随机矩阵的成分从 N(0, 1 / n_components) 中抽取。
在用户指南中阅读更多内容。
版本 0.13 中新增。
- 参数:
- n_componentsint 或 ‘auto’，默认值为 ‘auto’
目标投影空间的维度。
`n_components` 可以根据数据集中的样本数量和 Johnson-Lindenstrauss 引理给出的界限自动调整。在这种情况下，嵌入的质量由
eps参数控制。需要注意的是，Johnson-Lindenstrauss 引理对所需组件数量的估计可能非常保守，因为它对数据集的结构不做任何假设。
- epsfloat，默认值为 0.1
当
n_components设置为 ‘auto’ 时，根据 Johnson-Lindenstrauss 引理控制嵌入质量的参数。该值应严格为正。值越小，嵌入效果越好，目标投影空间中的维度（n_components）数量也越多。
- compute_inverse_componentsbool，默认值为 False
在拟合期间通过计算组件的伪逆来学习逆变换。请注意，计算伪逆对于大型矩阵的扩展性不佳。
- random_stateint, RandomState 实例或 None，默认值为 None
控制在拟合时用于生成投影矩阵的伪随机数生成器。传入一个整数可在多次函数调用中获得可重现的输出。请参阅术语表。
- 属性:
- n_components_int
当 n_components=”auto” 时计算出的具体组件数量。
- components_形状为 (n_components, n_features) 的 ndarray
用于投影的随机矩阵。
- inverse_components_形状为 (n_features, n_components) 的 ndarray
组件的伪逆，仅当
compute_inverse_components为 True 时计算。版本 1.1 中新增。
- n_features_in_int
在拟合期间看到的特征数量。
版本 0.24 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。版本 1.0 中新增。
另请参阅
SparseRandomProjection通过稀疏随机投影减少维度。
示例
>>> import numpy as np >>> from sklearn.random_projection import GaussianRandomProjection >>> rng = np.random.RandomState(42) >>> X = rng.rand(25, 3000) >>> transformer = GaussianRandomProjection(random_state=rng) >>> X_new = transformer.fit_transform(X) >>> X_new.shape (25, 2759)
- fit(X, y=None)[source]#
生成一个稀疏随机投影矩阵。
- 参数:
- X形状为 (n_samples, n_features) 的 {ndarray, 稀疏矩阵}
训练集：仅使用其形状根据上述论文中引用的理论找到最佳随机矩阵维度。
- y被忽略
未使用，依照惯例在此处提供以保持 API 一致性。
- 返回:
- self对象
BaseRandomProjection 类实例。
- fit_transform(X, y=None, **fit_params)[source]#
拟合数据，然后进行变换。
使用可选参数
fit_params将变换器拟合到X和y，并返回X的变换版本。- 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（无监督变换为 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
变换后的数组。
- 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字符串类数组或 None，默认值为 None
仅用于验证特征名称与在
fit中看到的名称是否一致。
- 返回:
- feature_names_out字符串对象的 ndarray
变换后的特征名称。
- get_metadata_routing()[source]#
获取此对象的元数据路由。
请查看用户指南，了解路由机制的工作原理。
- 返回:
- routingMetadataRequest
一个封装路由信息的
MetadataRequest。
- get_params(deep=True)[source]#
获取此估计器的参数。
- 参数:
- deepbool，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
参数名称及其对应的值。
- inverse_transform(X)[source]#
将数据投影回其原始空间。
返回一个数组 X_original，其变换结果为 X。请注意，即使 X 是稀疏的，X_original 也是密集的：这可能会占用大量内存。
如果
compute_inverse_components为 False，则在每次调用inverse_transform时都会计算组件的逆，这可能会很耗时。- 参数:
- X形状为 (n_samples, n_components) 的 {类数组, 稀疏矩阵}
要逆变换的数据。
- 返回:
- X_original形状为 (n_samples, n_features) 的 ndarray
重建的数据。
- set_output(*, transform=None)[source]#
设置输出容器。
请参阅Introducing the set_output API，了解如何使用该 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": 变换器的默认输出格式"pandas": DataFrame 输出"polars": Polars 输出None: 变换配置不变
版本 1.4 中新增：新增了
"polars"选项。
- 返回:
- self估计器实例
估计器实例。