GaussianRandomProjection#
- class sklearn.random_projection.GaussianRandomProjection(n_components='auto', *, eps=0.1, compute_inverse_components=False, random_state=None)[source]#
通过高斯随机投影降低维度。
随机矩阵的成分是从 N(0, 1 / n_components) 分布中抽取的。
在 用户指南 中阅读更多内容。
在版本 0.13 中添加。
- 参数:
- n_componentsint 或 ‘auto’，默认值：‘auto’
目标投影空间的维度。
根据 Johnson-Lindenstrauss 引理中的样本数量和给定的界限，可以自动调整 n_components。在这种情况下，嵌入的质量由
eps参数控制。应该注意的是，Johnson-Lindenstrauss 引理可能对所需组件数量的估计非常保守，因为它不对数据集的结构做任何假设。
- epsfloat，默认值：0.1
当
n_components设置为 ‘auto’ 时，用于根据 Johnson-Lindenstrauss 引理控制嵌入质量的参数。该值应严格为正。较小的值会导致更好的嵌入和目标投影空间中更高的维度（n_components）。
- compute_inverse_componentsbool，默认值：False
通过在 fit 时计算组件的伪逆来学习反向变换。请注意，计算伪逆对于大型矩阵来说扩展性不佳。
- random_stateint, RandomState instance or None, default=None
控制在 fit 时用于生成投影矩阵的伪随机数生成器。传递一个整数以获得跨多个函数调用的可重现输出。请参阅 Glossary。
- 属性:
- n_components_int
当 n_components=”auto” 时计算出的组件的实际数量。
- components_ndarray of shape (n_components, n_features)
用于投影的随机矩阵。
- inverse_components_ndarray，形状为 (n_features, n_components)
组件的伪逆，仅在
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。
0.24 版本新增。
- 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
SparseRandomProjection通过稀疏随机投影降低维度。
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]#
生成稀疏随机投影矩阵。
- 参数:
- X{ndarray, sparse matrix} of shape (n_samples, n_features)
训练集：仅使用形状来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
Not used, present here for API consistency by convention.
- 返回:
- selfobject
BaseRandomProjection 类实例。
- fit_transform(X, y=None, **fit_params)[source]#
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:
- Xshape 为 (n_samples, n_features) 的 array-like
输入样本。
- y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象，默认=None
目标值（对于无监督转换，为 None）。
- **fit_paramsdict
额外的拟合参数。仅当估计器在其
fit方法中接受额外的参数时才传递。
- 返回:
- X_newndarray array of shape (n_samples, n_features_new)
转换后的数组。
- 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。
- inverse_transform(X)[source]#
将数据投影回其原始空间。
返回一个数组 X_original，该数组的变换将是 X。请注意，即使 X 是稀疏的，X_original 也是稠密的：这可能会使用大量内存。
如果
compute_inverse_components为 False，则在每次调用inverse_transform时都会计算组件的反向，这可能会很昂贵。- 参数:
- X{array-like, sparse matrix} of shape (n_samples, n_components)
要被反向变换的数据。
- 返回:
- X_original形状为 (n_samples, n_features) 的 ndarray
重构的数据。
- 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。