Ctrl+K

make_low_rank_matrix#

sklearn.datasets.make_low_rank_matrix(n_samples=100, n_features=100, *, effective_rank=10, tail_strength=0.5, random_state=None)[源代码]#

生成一个具有钟形奇异值的基本上低阶矩阵。

大部分方差可以通过宽度effective_rank的钟形曲线来解释：奇异值配置文件的低等级部分是：：

(1 - tail_strength) * exp(-1.0 * (i / effective_rank) ** 2)

其余奇异值的尾部很胖，递减为：：

tail_strength * exp(-0.1 * i / effective_rank).

轮廓的低等级部分可以被认为是数据的结构化信号部分，而尾部可以被认为是数据的有噪部分，无法用少量线性分量（奇异载体）来概括。

这种奇异轮廓在实践中经常出现，例如：

  • 人脸的灰度图片

  • 从网络抓取的文本文档的TF-IDF载体

阅读更多的 User Guide .

参数:
n_samplesint，默认=100

样本数量。

n_featuresint，默认=100

功能的数量。

effective_rankint，默认值=10

通过线性组合解释大多数数据所需的奇异载体的大约数量。

tail_strength浮点数，默认值=0.5

奇异值轮廓的粗噪音尾部的相对重要性。该值应介于0和1之间。

random_stateint，RandomState实例或无，默认=无

确定创建数据集的随机数生成。传递int以获得跨多个函数调用的可重复输出。看到 Glossary .

返回:
X形状的nd数组（n_samples，n_features）

矩阵。

示例

>>> from numpy.linalg import svd
>>> from sklearn.datasets import make_low_rank_matrix
>>> X = make_low_rank_matrix(
...     n_samples=50,
...     n_features=25,
...     effective_rank=5,
...     tail_strength=0.01,
...     random_state=0,
... )
>>> X.shape
(50, 25)
On this page