随机范围查找器#

sklearn.utils.extmath.randomized_range_finder(A, *, size, n_iter, power_iteration_normalizer='auto', random_state=None)[source]#

计算一个正交矩阵，其值域近似于 A 的值域。

参数：

**A**二维数组: 输入数据矩阵。
sizeint: 返回数组的大小。
n_iterint: 用于稳定结果的幂迭代次数。
power_iteration_normalizer{‘auto’, ‘QR’, ‘LU’, ‘none’}, default=’auto’: 幂迭代是否通过逐步QR分解（最慢但最准确）、‘none’（最快，但在n_iter较大时，例如通常为5或更大时，数值不稳定）或‘LU’分解（数值稳定，但在精度上可能略有损失）进行归一化处理。 ‘auto’模式在n_iter <= 2时不进行归一化，否则切换到LU。

0.18版本新增。
random_stateint, RandomState 实例或 None, default=None: 在洗牌数据时使用的伪随机数生成器的种子，即获取用于初始化算法的随机向量。传递一个整数以在多次函数调用中获得可重复的结果。参见词汇表。

返回:

Qndarray: 一个(size x size)投影矩阵，其范围很好地逼近输入矩阵A的范围。

备注

遵循Halko等人(2009)的“利用随机性寻找结构：构建近似矩阵分解的随机算法”中的算法4.3

A. Szlam等人2014年提出的随机主成分分析算法的实现

示例

>>> import numpy as np
>>> from sklearn.utils.extmath import randomized_range_finder
>>> A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
>>> randomized_range_finder(A, size=2, n_iter=2, random_state=42)
array([[-0.21...,  0.88...],
       [-0.52...,  0.24...],
       [-0.82..., -0.38...]])