PLSSVD#

class sklearn.cross_decomposition.PLSSVD(n_components=2, *, scale=True, copy=True)[source]#

Partial Least Square SVD。

此转换器仅对交叉协方差矩阵 X'y 执行 SVD。它能够同时投影训练数据 X 和目标 y。训练数据 X 被投影到左奇异向量上，而目标被投影到右奇异向量上。

在用户指南中阅读更多内容。

在版本 0.8 中添加。

参数:

n_componentsint, default=2: 要保留的组件数。应在 [1, min(n_samples, n_features, n_targets)] 范围内。
scalebool, default=True: 是否对 X 和 y 进行缩放。
copy布尔值, 默认为 True: 在应用中心化（以及可能的缩放）之前，是否复制 X 和 y。如果为 False，则这些操作将就地执行，修改这两个数组。

属性:

x_weights_ndarray of shape (n_features, n_components): 交叉协方差矩阵 SVD 的左奇异向量。用于在 transform 中投影 X。
y_weights_形状为 (n_targets, n_components) 的 ndarray: 交叉协方差矩阵 SVD 的右奇异向量。用于在 transform 中投影 y。
n_features_in_int: 在拟合期间看到的特征数。
feature_names_in_shape 为 (n_features_in_,) 的 ndarray: 在 fit 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 版本新增。

另请参阅

PLSCanonical: Partial Least Squares 转换器和回归器。
CCA: 典型相关分析。

示例

>>> import numpy as np
>>> from sklearn.cross_decomposition import PLSSVD
>>> X = np.array([[0., 0., 1.],
...               [1., 0., 0.],
...               [2., 2., 2.],
...               [2., 5., 4.]])
>>> y = np.array([[0.1, -0.2],
...               [0.9, 1.1],
...               [6.2, 5.9],
...               [11.9, 12.3]])
>>> pls = PLSSVD(n_components=2).fit(X, y)
>>> X_c, y_c = pls.transform(X, y)
>>> X_c.shape, y_c.shape
((4, 2), (4, 2))

fit(X, y)[source]#

用数据拟合模型。

参数:

Xshape 为 (n_samples, n_features) 的 array-like: 训练样本。
yshape 为 (n_samples,) 或 (n_samples, n_targets) 的 array-like: 目标。

返回:

selfobject: 拟合的估计器。

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

学习并应用降维。

参数:

Xshape 为 (n_samples, n_features) 的 array-like: 训练样本。
y形状为 (n_samples,) 或 (n_samples, n_targets) 的 array-like，默认为 None: 目标。

返回:

outarray-like 或 array-like 元组: 如果 y is not None，则返回转换后的数据 X_transformed；否则返回 (X_transformed, y_transformed)。

get_feature_names_out(input_features=None)[source]#

获取转换的输出特征名称。

The feature names out will prefixed by the lowercased class name. For example, if the transformer outputs 3 features, then the feature names out are: ["class_name0", "class_name1", "class_name2"].

参数:

input_featuresarray-like of str or None, default=None: Only used to validate feature names with the names seen in fit.

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。

请查阅用户指南，了解路由机制如何工作。

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:

deepbool, default=True: 如果为 True，将返回此估计器以及包含的子对象（如果它们是估计器）的参数。

返回:

paramsdict: 参数名称映射到其值。

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

设置输出容器。

有关如何使用 API 的示例，请参阅引入 set_output API。

参数:

transform{“default”, “pandas”, “polars”}, default=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

1.4 版本新增: 添加了 "polars" 选项。

返回:

selfestimator instance: 估计器实例。

set_params(**params)[source]#

设置此估计器的参数。

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

参数:

**paramsdict: 估计器参数。

返回:

selfestimator instance: 估计器实例。

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

应用降维。

参数:

Xshape 为 (n_samples, n_features) 的 array-like: 要转换的样本。
y形状为 (n_samples,) 或 (n_samples, n_targets) 的 array-like，默认为 None: 目标。

返回:

x_scoresarray-like 或 array-like 元组: 如果 y is not None，则返回转换后的数据 X_transformed；否则返回 (X_transformed, y_transformed)。

PLSSVD#

本页