orthogonal_mp#

sklearn.linear_model.orthogonal_mp(X, y, *, n_nonzero_coefs=None, tol=None, precompute=False, copy_X=True, return_path=False, return_n_iter=False)[source]#

正交匹配追踪 (OMP)。

求解 n_targets 个正交匹配追踪问题。一个问题实例具有以下形式：

当通过非零系数的数量 n_nonzero_coefs 进行参数化时：argmin ||y - Xgamma||^2 约束条件 ||gamma||_0 <= n_{nonzero coefs}

当通过误差 tol 进行参数化时：argmin ||gamma||_0 约束条件 ||y - Xgamma||^2 <= tol

在用户指南中了解更多信息。

参数:

Xshape 为 (n_samples, n_features) 的 array-like: 输入数据。假定列具有单位范数。
yndarray of shape (n_samples,) or (n_samples, n_targets): 输入目标。
n_nonzero_coefsint, default=None: 解中所需的非零项数。如果为 None（默认），则此值设置为 n_features 的 10%。
tolfloat, default=None: 残差的最大平方范数。如果不是 None，则覆盖 n_nonzero_coefs。
precompute‘auto’ 或 bool, default=False: 是否执行预计算。当 n_targets 或 n_samples 非常大时，可提高性能。
copy_Xbool, default=True: 设计矩阵 X 是否必须由算法复制。只有当 X 已经是 Fortran 顺序时，False 值才有帮助，否则仍会进行复制。
return_pathbool, default=False: 是否返回前向路径上非零系数的每个值。对交叉验证很有用。
return_n_iterbool, default=False: 是否返回迭代次数。

返回:

coefshape 为 (n_features,) 或 (n_features, n_targets) 的 ndarray: OMP 解的系数。如果 return_path=True，则包含整个系数路径。在这种情况下，其 shape 为 (n_features, n_features) 或 (n_features, n_targets, n_features)，并且沿最后一个轴迭代会按活动特征数量增加的顺序生成系数。
n_itersarray-like or int: 每个目标上的活动特征数量。仅当 return_n_iter 设置为 True 时返回。

另请参阅

OrthogonalMatchingPursuit: 正交匹配追踪模型。
orthogonal_mp_gram: 使用 Gram 矩阵和乘积 X.T * y 求解 OMP 问题。
lars_path: Compute Least Angle Regression or Lasso path using LARS algorithm.
sklearn.decomposition.sparse_encode: 稀疏编码。

注意事项

正交匹配追踪由 S. Mallat, Z. Zhang 在 "Matching pursuits with time-frequency dictionaries", IEEE Transactions on Signal Processing, Vol. 41, No. 12. (December 1993), pp. 3397-3415 中提出。 (https://www.di.ens.fr/~mallat/papiers/MallatPursuit93.pdf)

此实现基于 Rubinstein, R., Zibulevsky, M. and Elad, M., Efficient Implementation of the K-SVD Algorithm using Batch Orthogonal Matching Pursuit Technical Report - CS Technion, April 2008. https://www.cs.technion.ac.il/~ronrubin/Publications/KSVD-OMP-v2.pdf

示例

>>> from sklearn.datasets import make_regression
>>> from sklearn.linear_model import orthogonal_mp
>>> X, y = make_regression(noise=4, random_state=0)
>>> coef = orthogonal_mp(X, y)
>>> coef.shape
(100,)
>>> X[:1,] @ coef
array([-78.68])

orthogonal_mp#

本页