SparseCoder#
- class sklearn.decomposition.SparseCoder(dictionary, *, transform_algorithm='omp', transform_n_nonzero_coefs=None, transform_alpha=None, split_sign=False, n_jobs=None, positive_code=False, transform_max_iter=1000)[源代码]#
稀疏编码。
针对固定的预先计算的字典查找数据的稀疏表示。
结果的每一行都是稀疏编码问题的解决方案。目标是找到稀疏数组
code这样：：X ~= code * dictionary
阅读更多的 User Guide .
- 参数:
- dictionaryndrow形状数组（n_components，n_features）
用于稀疏编码的字典原子。假设线已被标准化为单位规范。
- transform_algorithm搜索'lasso_lars'，'lasso_cd'，'lars'，'omp'， 'threshold'}，default='omp'
用于转换数据的算法：
'lars'：使用最小角度回归法 (linear_model.lars_path);'lasso_lars'：使用Lars计算Lasso解决方案;'lasso_cd'：使用坐标下降法计算Lasso解（linear_models.Lasso）。'lasso_lars'如果估计的成分稀疏，则会更快;'omp'：使用垂直匹配追求来估计稀疏解;'threshold'：将投影中小于alpha的所有系数压缩为零dictionary * X'.
- transform_n_nonzero_coefsint，默认=无
解决方案每列中要目标的非零系数数。这仅用于
algorithm='lars'和algorithm='omp'并被覆盖alpha在omp案子如果None那么transform_n_nonzero_coefs=int(n_features / 10).- transform_alphafloat，默认=无
如果
algorithm='lasso_lars'或algorithm='lasso_cd',alpha是适用于L1规范的惩罚。如果algorithm='threshold',alpha是阈值的绝对值，低于该阈值的系数将被压缩为零。如果algorithm='omp',alpha是容差参数：目标重建误差的值。在这种情况下，它覆盖n_nonzero_coefs.如果None，默认为1。- split_sign布尔，默认=假
是否将稀疏特征载体拆分为负部分和正部分的级联。这可以提高下游分类器的性能。
- n_jobsint，默认=无
要运行的并行作业数。
None意思是1，除非在a中joblib.parallel_backend上下文-1意味着使用所有处理器。看到 Glossary 了解更多详细信息。- positive_code布尔，默认=假
在查找代码时是否强制执行积极性。
Added in version 0.20.
- transform_max_iterint，默认=1000
如果出现以下情况，需要执行的最大迭代次数
algorithm='lasso_cd'或lasso_lars.Added in version 0.22.
- 属性:
n_components_int原子的数量。
n_features_in_int期间看到的功能数量
fit.- 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
DictionaryLearning找一个对数据进行稀疏编码的字典。
MiniBatchDictionaryLearning一个更快、更不准确的字典学习算法版本。
MiniBatchSparsePCA小批量稀疏主成分分析。
SparsePCA稀疏主成分分析
sparse_encode稀疏编码，其中结果的每一行都是稀疏编码问题的解决方案。
示例
>>> import numpy as np >>> from sklearn.decomposition import SparseCoder >>> X = np.array([[-1, -1, -1], [0, 0, 3]]) >>> dictionary = np.array( ... [[0, 1, 0], ... [-1, -1, 2], ... [1, 1, 1], ... [0, 1, 1], ... [0, 2, 1]], ... dtype=np.float64 ... ) >>> coder = SparseCoder( ... dictionary=dictionary, transform_algorithm='lasso_lars', ... transform_alpha=1e-10, ... ) >>> coder.transform(X) array([[ 0., 0., -1., 0., 0.], [ 0., 1., 1., 0., 0.]])
- fit(X, y=None)[源代码]#
不做任何事情并不改变地返回估计器。
该方法只是为了实现通常的API，因此可以在管道中工作。
- 参数:
- X忽视
未使用，按照惯例，为了API一致性而存在。
- 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, **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_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。
- 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。