GaussianRandomProjection#
- class sklearn.random_projection.GaussianRandomProjection(n_components='auto', *, eps=0.1, compute_inverse_components=False, random_state=None)[源代码]#
通过高斯随机投影降低维度。
随机矩阵的分量从N（0，1 / n_components）中提取。
阅读更多的 User Guide .
Added in version 0.13.
- 参数:
- n_componentsint或'自动'，默认='自动'
目标投影空间的虚拟性。
n_components可以根据数据集中的样本数量和Johnson-Lindenstrauss引理给出的界限自动调整。在这种情况下，嵌入的质量由
eps参数.应该注意的是，约翰逊-林登施特劳斯引理可以产生对所需组件数量的非常保守的估计，因为它没有对数据集的结构做出假设。
- epsfloat，默认=0.1
参数，根据Johnson-Lindenstrauss引理控制嵌入质量，
n_components设置为“自动”。该值应严格为正。较小的值会导致目标投影空间中的嵌入更好和维度数（n_components）更高。
- compute_inverse_components布尔，默认=假
通过在配合期间计算分量的伪逆来学习逆变换。请注意，计算伪逆不能很好地扩展到大型矩阵。
- random_stateint，RandomState实例或无，默认=无
控制用于在拟合时生成投影矩阵的伪随机数生成器。传递一个int值，以便在多个函数调用中获得可重复的输出。看到 Glossary .
- 属性:
- n_components_int
当n_components=“auto”时计算的组件的具体数量。
- components_ndrow形状数组（n_components，n_features）
用于投影的随机矩阵。
- inverse_components_形状的nd数组（n_features，n_components）
分量的伪逆，仅在以下情况下计算
compute_inverse_components是真的Added in version 1.1.
- 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
SparseRandomProjection通过稀疏随机投影降低维度。
示例
>>> import numpy as np >>> from sklearn.random_projection import GaussianRandomProjection >>> rng = np.random.RandomState(42) >>> X = rng.rand(25, 3000) >>> transformer = GaussianRandomProjection(random_state=rng) >>> X_new = transformer.fit_transform(X) >>> X_new.shape (25, 2759)
- fit(X, y=None)[源代码]#
生成稀疏随机投影矩阵。
- 参数:
- X{ndarray，sparse matrix}的形状（n_samples，n_features）
训练集：仅使用形状来根据上述论文中引用的理论找到最佳随机矩阵维度。
- 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
BaseRandomProjection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_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]#
将数据投影回其原始空间。
返回一个数组X_original，其变换为X。请注意，即使X是稀疏的，X_original也是密集的：这可能会占用大量RAM。
如果
compute_inverse_components为False，则在每次调用inverse_transform这可能很昂贵。- 参数:
- X形状（n_samples，n_components）的{类数组，稀疏矩阵}
要转换回的数据。
- 返回:
- X_original形状的nd数组（n_samples，n_features）
重建的数据。
- 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。