FactorAnalysis#
- class sklearn.decomposition.FactorAnalysis(n_components=None, *, tol=0.01, copy=True, max_iter=1000, noise_variance_init=None, svd_method='randomized', iterated_power=3, rotation=None, random_state=0)[源代码]#
Factor Analysis (FA).
一个简单的线性生成模型与高斯潜变量。
假设观察结果是由低维潜在因素的线性变换和添加的高斯噪音引起的。在不失一般性的情况下，这些因素根据零均值和单位协方差的高斯分布。噪音也是零均值，并且具有任意对角线协方差矩阵。
如果我们进一步限制模型，假设高斯噪音甚至是各向同性的（所有对角线项都相同），我们将得到
PCA.FactorAnalytics执行所谓的最大似然估计
loading矩阵，使用基于奇异值分解的方法将潜在变量转换为观察变量。阅读更多的 User Guide .
Added in version 0.13.
- 参数:
- n_componentsint，默认=无
潜在空间的普遍性、组成部分的数量
X这些都是在transform.如果无，则n_components设置为特征数量。- tolfloat，默认= 1 e-2
对数似然增加的停止容限。
- copy布尔，默认=True
是否复制X。如果
False，在装配期间输入X会被覆盖。- max_iterint，默认=1000
最大迭代次数。
- noise_variance_init形状类似阵列（n_features，），默认=无
每个特征的噪音方差的初始猜测。如果无，则默认为NP.ones（n_features）。
- svd_method' lapack '，'，'随机'}，默认='随机'
使用哪种DID方法。如果“lapack”使用scipy.linalg中的标准MVD，如果“随机”使用快速
randomized_svd功能别名为“随机化”。对于大多数应用程序来说，“随机化”将足够精确，同时提供显着的速度收益。还可以通过设置更高的值来提高准确性iterated_power.如果这还不够，为了获得最大精度，您应该选择“lackack”。- iterated_powerint，默认=3
乘势方法的迭代次数。默认情况下3。仅在以下情况下使用
svd_method等于“随机化”。- rotation'varimax'，'quartimax'}，默认值=无
如果不是无，则应用指示的旋转。目前，已实现Variax和quartimax。看到 "The varimax criterion for analytic rotation in factor analysis" H. F.凯撒，1958年。
Added in version 0.24.
- random_stateint或RandomState实例，默认=0
仅在当
svd_method等于“随机化”。传递int以获得跨多个函数调用的可重复结果。看到 Glossary .
- 属性:
- components_ndrow形状数组（n_components，n_features）
方差最大的组件。
- loglike_形状列表（n_迭代，）
每次迭代的日志可能性。
- noise_variance_形状的nd数组（n_features，）
每个特征的估计噪音方差。
- n_iter_int
运行的迭代次数。
- mean_形状的nd数组（n_features，）
每个特征的经验平均值，从训练集估计。
- n_features_in_int
期间看到的功能数量 fit .
Added in version 0.24.
- feature_names_in_ ：nd形状数组 (
n_features_in_,)nd数组形状（ Names of features seen during fit. Defined only when
Xhas feature names that are all strings.Added in version 1.0.
参见
引用
David Barber，Bayesian Reasoning and Machine Learning，算法21.1。
Christopher M. Bishop：模式识别和机器学习，第12.2.4章。
示例
>>> from sklearn.datasets import load_digits >>> from sklearn.decomposition import FactorAnalysis >>> X, _ = load_digits(return_X_y=True) >>> transformer = FactorAnalysis(n_components=7, random_state=0) >>> X_transformed = transformer.fit_transform(X) >>> X_transformed.shape (1797, 7)
- fit(X, y=None)[源代码]#
使用基于奇异值分解的方法将FactorAnalytics模型与X匹配。
- 参数:
- X形状类似阵列（n_samples，n_features）
训练数据。
- y忽视
被忽视的参数。
- 返回:
- self对象
FactorAnalytics类实例。
- fit_transform(X, y=None, **fit_params)[源代码]#
适应数据，然后对其进行转换。
适合变压器
X和y具有可选参数fit_params并返回的转换版本X.- 参数:
- X形状类似阵列（n_samples，n_features）
输入样本。
- y形状为（n_samples，）或（n_samples，n_outputs）的阵列状， 默认值=无
目标值（无监督转换）。
- **fit_paramsdict
其他适合参数。
- 返回:
- X_newndray形状数组（n_samples，n_features_new）
变形的数组。
- get_covariance()[源代码]#
使用FactorAnalytics模型计算数据协方差。
cov = components_.T * components_ + diag(noise_variance)- 返回:
- cov形状的nd数组（n_features，n_features）
估计的数据协方差。
- get_feature_names_out(input_features=None)[源代码]#
获取用于转换的输出要素名称。
输出的功能名称将以大写的类别名称为开头。例如，如果Transformer输出3个特征，则输出的特征名称为：
["class_name0", "class_name1", "class_name2"].- 参数:
- input_features字符串或无的类数组，默认=无
仅用于通过中看到的名称验证要素名称
fit.
- 返回:
- feature_names_out字符串对象的nd数组
转换的功能名称。
- get_metadata_routing()[源代码]#
获取此对象的元数据路由。
请检查 User Guide 关于路由机制如何工作。
- 返回:
- routingMetadataRequest
A
MetadataRequest封装路由信息。
- get_params(deep=True)[源代码]#
获取此估计器的参数。
- 参数:
- deep布尔，默认=True
如果为True，将返回此估计量和包含的作为估计量的子对象的参数。
- 返回:
- paramsdict
参数名称映射到其值。
- get_precision()[源代码]#
使用FactorAnalytics模型计算数据精度矩阵。
- 返回:
- precision形状的nd数组（n_features，n_features）
估计的数据精度。
- score(X, y=None)[源代码]#
计算样本的平均log似然。
- 参数:
- X形状的nd数组（n_samples，n_features）
数据。
- y忽视
被忽视的参数。
- 返回:
- ll浮子
当前模型下样本的平均log似然。
- score_samples(X)[源代码]#
计算每个样本的log似然。
- 参数:
- X形状的nd数组（n_samples，n_features）
数据。
- 返回:
- ll形状的nd数组（n_samples，）
当前模型下每个样本的log似然。
- set_output(*, transform=None)[源代码]#
设置输出容器。
看到 介绍 set_output API 了解如何使用API的示例。
- 参数:
- transform{“默认”，“pandas”，“polars”}，默认=无
配置输出
transform和fit_transform."default"：Transformer的默认输出格式"pandas"：DataFrame输出"polars"：两极输出None：转换配置不变
Added in version 1.4:
"polars"添加了选项。
- 返回:
- self估计器实例
估计实例。