FastICA#

class sklearn.decomposition.FastICA(n_components=None, *, algorithm='parallel', whiten='unit-variance', fun='logcosh', fun_args=None, max_iter=200, tol=0.0001, w_init=None, whiten_solver='svd', random_state=None)[源代码]#

FastICA：独立分量分析的快速算法。

实施基于 [1].

阅读更多的 User Guide .

参数:

n_componentsint，默认=无

要使用的组件数量。如果没有通过，则全部使用。

algorithm'parallel'，'deflation'}，default='parallel'

指定用于FastICA的算法。

whiten字符串或布尔，默认='单位方差'

指定要使用的美白策略。

如果是“arbitrary-variance”，则使用具有任意方差的白化。
如果“单位方差”，则重新调整白化矩阵以确保每个恢复的源具有单位方差。
如果为False，则数据已被视为白化，并且不执行白化。

在 1.3 版本发生变更: 的默认值 whiten 在1.3中更改为“单位方差”。

fun' logcosh '，'，'，'或可调用，默认=' logcosh '

用于逼近时间-的G函数的函数形式。可以是“logcosh”、“exp '或“立方体”。您还可以提供自己的功能。它应该返回一个包含点中函数及其派生函数的值的数组。应沿其最后一个维度求平均值。示例：：

def my_g(x):
    return x ** 3, (3 * x ** 2).mean(axis=-1)

fun_argsdict，默认=无

要发送到功能表单的参数。如果为空或无，并且fun =' logcosh '，fun_args将取值' Alpha '：1.0}。

max_iterint，默认=200

调整期间的最大迭代次数。

tolfloat，默认= 1 e-4

一个正量，给出解混合矩阵被认为已收敛的容差。

w_init形状类似数组（n_components，n_components），默认=无

Initial un-mixing array. If w_init=None, then an array of values drawn from a normal distribution is used.

whiten_solver{“eigh”，“svd”}，默认=“svd”

用于白化的求解器。

如果问题退化，“svd”在数字上更稳定，而当问题退化时，“svd”通常更快 n_samples <= n_features .
“eigh”通常内存效率更高， n_samples >= n_features ，并且可以更快时 n_samples >= 50 * n_features .

Added in version 1.2.

random_stateint，RandomState实例或无，默认=无

用于初始化 w_init 当未指定时，呈正态分布。传递int，以获得跨多个函数调用的可重现的结果。看到 Glossary .

属性:

components_ndrow形状数组（n_components，n_features）: 应用于数据以获取独立源的线性运算符。这等于当 whiten 为假，等于 np.dot(unmixing_matrix, self.whitening_) 当 whiten 是真的
mixing_形状的nd数组（n_features，n_components）: 的伪逆 components_ .它是将独立源映射到数据的线性运算符。
mean_形状的nd数组（n_features，）: 平均值高于特征。仅在以下情况下设置 self.whiten 是真的
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 X has feature names that are all strings.

Added in version 1.0.
n_iter_int: 如果算法是“紧缩”，则n_iter是所有组件上运行的最大迭代次数。否则它们只是收敛所需的迭代次数。
whitening_ndrow形状数组（n_components，n_features）: 仅在收件箱为“真”时才设置。这是将数据投影到第一个上的预白化矩阵 n_components 主要成分。

参见

PCA: 主成分分析（PCA）。
IncrementalPCA: 增量主成分分析（IPCA）。
KernelPCA: 核心主成分分析（KPCA）。
MiniBatchSparsePCA: 小批量稀疏主成分分析。
SparsePCA: 稀疏主成分分析（SparsePCA）。

引用

[1]

A.海瓦里宁和E. Oja，独立成分分析：算法和应用，神经网络，13（4-5），2000年，第13页。411-430.

示例

>>> from sklearn.datasets import load_digits
>>> from sklearn.decomposition import FastICA
>>> X, _ = load_digits(return_X_y=True)
>>> transformer = FastICA(n_components=7,
...         random_state=0,
...         whiten='unit-variance')
>>> X_transformed = transformer.fit_transform(X)
>>> X_transformed.shape
(1797, 7)

fit(X, y=None)[源代码]#

将模型匹配X。

参数:

X形状类似阵列（n_samples，n_features）: 训练数据，在哪里 n_samples 是样本数量和 n_features 是功能的数量。
y忽视: 未使用，按照惯例，为了API一致性而存在。

返回:

self对象: 返回实例本身。

fit_transform(X, y=None)[源代码]#

匹配模型并从X恢复源。

参数:

X形状类似阵列（n_samples，n_features）: 训练数据，在哪里 n_samples 是样本数量和 n_features 是功能的数量。
y忽视: 未使用，按照惯例，为了API一致性而存在。

返回:

X_new形状的nd数组（n_samples，n_components）: 通过用估计的解混合矩阵转换数据获得估计的来源。

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。

inverse_transform(X, copy=True)[源代码]#

将源转换回混合数据（应用混合矩阵）。

参数:

X形状类似阵列（n_samples，n_components）: 来源，在哪里 n_samples 是样本数量和 n_components 是组件的数量。
copy布尔，默认=True: 如果为假，则覆盖传递给fit的数据。切换到True。

返回:

X_new形状的nd数组（n_samples，n_features）: 用混合矩阵获得的重建数据。

set_inverse_transform_request(*, copy: bool | None | str = '$UNCHANGED$') → FastICA[源代码]#

请求元数据传递给 inverse_transform 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

True ：元数据被请求并传递给 inverse_transform 如果提供的话。如果未提供元数据，则会忽略请求。
False ：未请求元数据，元估计器不会将其传递给 inverse_transform .
None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。
str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

copy字符串、真、假或无，默认=sklearn.utils. metalics_Routing.UNChanged: 元数据路由 copy 参数 inverse_transform .

返回:

self对象: 更新的对象。

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。

set_params(**params)[源代码]#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ).后者具有以下形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。

参数:

**paramsdict: 估计参数。

返回:

self估计器实例: 估计实例。

set_transform_request(*, copy: bool | None | str = '$UNCHANGED$') → FastICA[源代码]#

请求元数据传递给 transform 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

True ：元数据被请求并传递给 transform 如果提供的话。如果未提供元数据，则会忽略请求。
False ：未请求元数据，元估计器不会将其传递给 transform .
None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。
str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

copy字符串、真、假或无，默认=sklearn.utils. metalics_Routing.UNChanged: 元数据路由 copy 参数 transform .

返回:

self对象: 更新的对象。

transform(X, copy=True)[源代码]#

从X恢复源（应用解混合矩阵）。

参数:

X形状类似阵列（n_samples，n_features）: 要转化的数据，在哪里 n_samples 是样本数量和 n_features 是功能的数量。
copy布尔，默认=True: 如果为False，则可以覆盖传递给fit的数据。切换到True。

返回:

X_new形状的nd数组（n_samples，n_components）: 通过用估计的解混合矩阵转换数据获得估计的来源。