randomized_range_finder#

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，其范围近似于 A 的范围。

参数:

A{array-like, sparse matrix} of shape (n_samples, n_features): 输入数据矩阵。
sizeint: 返回数组的大小。
n_iter整型: 用于稳定结果的幂迭代次数。
power_iteration_normalizer{‘auto’, ‘QR’, ‘LU’, ‘none’}, default=’auto’: 幂迭代是否使用逐步 QR 分解（最慢但最准确）、‘none’（最快，但在 n_iter 较大（例如通常为 5 或更大）时数值不稳定）或 ‘LU’ 分解（数值稳定，但准确度可能略有损失）进行归一化。当 n_iter <= 2 时，‘auto’ 模式不应用归一化，否则切换为 LU。

版本 0.18 新增。
random_stateint, RandomState instance or None, default=None: 用于打乱数据（即获取用于初始化算法的随机向量）的伪随机数生成器的种子。传递一个 int 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 of shape (size, size): 投影矩阵，其值域能够较好地近似输入矩阵 A 的值域。

注意事项

遵循 Halko 等人 (2009) 论文 “Finding structure with randomness: Stochastic algorithms for constructing approximate matrix decompositions”（通过随机性寻找结构：构建近似矩阵分解的随机算法）中的算法 4.3。

一种用于主成分分析的随机算法实现，A. Szlam 等人 2014。

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([[-0.214,  0.887],
       [-0.521,  0.249],
       [-0.826, -0.388]])