SparsePCA#
- class sklearn.decomposition.SparsePCA(n_components=None, *, alpha=1, ridge_alpha=0.01, max_iter=1000, tol=1e-08, method='lars', n_jobs=None, U_init=None, V_init=None, verbose=False, random_state=None)[源代码]#
稀疏主成分分析（SparsePCA）。
查找可以最佳重建数据的一组稀疏组件。 稀疏性的量可以通过L1罚分的系数（由参数Alpha给出）来控制。
阅读更多的 User Guide .
- 参数:
- n_componentsint，默认=无
要提取的稀疏原子的数量。如果没有，那么
n_components设置为n_features.- alphafloat，默认=1
稀疏性控制参数。值越高，组件越稀疏。
- ridge_alpha浮动，默认=0.01
调用转换方法时，为了改善条件反射而应用的山脊收缩量。
- max_iterint，默认=1000
要执行的最大迭代次数。
- tolfloat，默认= 1 e-8
对停止条件的容忍度。
- method' lars '，'，默认=' lars '
用于优化的方法。拉尔：使用最小角度回归方法来解决套索问题（linear_models.lars_track）cs：使用坐标下降法来计算套索解（linear_models.Lasso）。如果估计的分量是稀疏的，则Lars将更快。
- 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。- U_init形状的nd数组（n_samples，n_components），默认=无
热重启场景下负载的初始值。仅在以下情况下使用
U_init和V_init不是没有。- V_init形状的nd数组（n_components，n_features），默认=无
热重启场景中组件的初始值。仅在以下情况下使用
U_init和V_init不是没有。- verboseint或bool，默认=False
控制冗长;越高，消息越多。预设为0。
- random_stateint，RandomState实例或无，默认=无
在字典学习期间使用。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）
从数据中提取的稀疏组件。
- error_ndarray
每次迭代的误差向量。
- n_components_int
估计组件数量。
Added in version 0.23.
- 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。等于
X.mean(axis=0).- 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
PCAPrincipal Component Analysis implementation.
MiniBatchSparsePCA的迷你批量变体
SparsePCA这更快，但不太准确。DictionaryLearning使用稀疏代码的通用词典学习问题。
示例
>>> import numpy as np >>> from sklearn.datasets import make_friedman1 >>> from sklearn.decomposition import SparsePCA >>> X, _ = make_friedman1(n_samples=200, n_features=30, random_state=0) >>> transformer = SparsePCA(n_components=5, random_state=0) >>> transformer.fit(X) SparsePCA(...) >>> X_transformed = transformer.transform(X) >>> X_transformed.shape (200, 5) >>> # most values in the components_ are zero (sparsity) >>> np.mean(transformer.components_ == 0) np.float64(0.9666...)
- fit(X, y=None)[源代码]#
根据X中的数据匹配模型。
- 参数:
- X形状类似阵列（n_samples，n_features）
训练载体，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，此处列出是为了按照惯例实现API一致性。
- 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。
- inverse_transform(X)[源代码]#
将数据从潜在空间转换到原始空间。
由于正向分解引起的信息损失，这种倒置是一种近似。
Added in version 1.2.
- 参数:
- X形状的nd数组（n_samples，n_components）
潜在空间中的数据。
- 返回:
- X_original形状的nd数组（n_samples，n_features）
在原始空间中重建数据。
- 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。