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。

结果中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

在 用户指南 中阅读更多内容。

参数:
Xshape 为 (n_samples, n_features) 的 array-like

数据矩阵。

dictionary形状为 (n_components, n_features) 的类数组对象

用于解决数据稀疏编码的字典矩阵。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) 的类数组对象, default=None

预计算的 Gram 矩阵，dictionary * dictionary'。

cov形状为 (n_components, n_samples) 的类数组对象, default=None

预计算的协方差，dictionary' * X。

algorithm{‘lasso_lars’, ‘lasso_cd’, ‘lars’, ‘omp’, ‘threshold’}, default=’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' 中所有小于正则化系数的系数归零。

n_nonzero_coefsint, default=None

目标解中每列的非零系数数量。这仅用于 algorithm='lars' 和 algorithm='omp'，并且在 omp 情况下被 alpha 覆盖。如果为 None，则 n_nonzero_coefs=int(n_features / 10)。

alphafloat, default=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：目标重建误差的值。在这种情况下，它会覆盖 n_nonzero_coefs。如果为 None，则默认为 1。

copy_covbool, default=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, default=None

稀疏代码的初始化值。仅在 algorithm='lasso_cd' 时使用。

max_iterint, default=1000

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

n_jobsint, default=None

要并行运行的作业数量。None 表示 1，除非在 joblib.parallel_backend 上下文中。-1 表示使用所有处理器。有关更多详细信息，请参阅词汇表。

check_inputbool, default=True

如果为 False，将不会检查输入数组 X 和 dictionary。

verboseint, default=0

控制冗长程度；值越高，消息越多。

positivebool, default=False

在寻找编码时是否强制非负性。

0.20 版本新增。

返回:
codendarray of shape (n_samples, n_components)

稀疏代码。

另请参阅

sklearn.linear_model.lars_path

Compute Least Angle Regression or Lasso path using LARS algorithm.

sklearn.linear_model.orthogonal_mp

解决正交匹配追踪问题。

sklearn.linear_model.Lasso

使用 L1 先验作为正则化项训练线性模型。

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.]])
在本页