Ctrl+K

randomized_svd#

sklearn.utils.extmath.randomized_svd(M, n_components, *, n_oversamples=10, n_iter='auto', power_iteration_normalizer='auto', transpose='auto', flip_sign=True, random_state=None, svd_lapack_driver='gesdd')[源代码]#

计算截短的随机MVD。

该方法解决了中描述的固定排序逼近问题 [1] （问题（1.5），p5）。

参阅 维基百科主特征量 对于使用权力迭代算法对网页进行排名的典型示例。众所周知，该算法还被用作Google PageRank算法的构建模块。

参数:
M{nd数组，稀疏矩阵}

要分解的矩阵。

n_componentsint

要提取的奇异值和载体的数量。

n_oversamplesint，默认值=10

Additional number of random vectors to sample the range of M so as to ensure proper conditioning. The total number of random vectors used to find the range of M is n_components + n_oversamples. Smaller number can improve speed but can negatively impact the quality of approximation of singular vectors and singular values. Users might wish to increase this parameter up to 2*k - n_components where k is the effective rank, for large matrices, noisy problems, matrices with slowly decaying spectrums, or to increase precision accuracy. See [1] (pages 5, 23 and 26).

n_iterint或'自动'，默认='自动'

电源迭代次数。它可以用于处理非常嘈杂的问题。当“自动”时，它被设置为4，除非 n_components 很小（< .1 * min（X.形状））在这种情况下 n_iter 设置为7。这提高了精度与几个组件。请注意，一般用户应该增加 n_oversamples 在增加之前 n_iter 因为随机化方法的原则是避免使用这些成本更高的功率迭代步骤。当 n_components 等于或大于有效矩阵阶并且频谱不呈现缓慢衰减， n_iter=0 或 1 理论上甚至应该运作良好（请参阅 [1] 第9页）。

在 0.18 版本发生变更.

power_iteration_normalizer' Auto '，' QR '，' LU '，&#3

功率迭代是否通过逐步QR分解（最慢但最准确）进行规范化，“无”（最快但在数字上不稳定时 n_iter 很大，例如通常为5或更大），或“LU”因式分解（数字稳定，但准确性可能会略有下降）。如果出现以下情况，“自动”模式不应用规范化 n_iter <= 2，否则切换到LU。

Added in version 0.18.

transpose布尔或“自动”，默认=“自动”

该算法是否应该应用于MT而不是M。结果应该大致相同。如果M.Shape，“自动”模式将触发移调 [1] > M.形状 [0] 因为在这种情况下，随机MVD的实现往往会更快一些。

在 0.18 版本发生变更.

flip_sign布尔，默认=True

奇异值分解的输出仅在奇异载体符号的排列时才是唯一的。如果 flip_sign 设置为 True ，通过使左奇异载体中每个分量的最大负载为正值来解决符号模糊性。

random_stateint，RandomState实例或无，默认=' warn '

伪随机数生成器的种子，用于在洗牌数据时使用，即获取随机载体来初始化算法。传递int以获得跨多个函数调用的可重复结果。看到 Glossary .

在 1.2 版本发生变更: 默认值从0更改为无。

svd_lapack_driver{“gesdd”，“gesdd”}，默认=“gesdd”

是否使用更有效的分而治之的方法 ("gesdd" ）或更一般的矩形方法 ("gesvd" ）计算矩阵B的奇异值，这是M到低维子空间的投影，如中所述 [1].

Added in version 1.2.

返回:
u形状的nd数组（n_samples，n_components）

具有符号翻转为列的左奇异向量的酉矩阵。

s形状的nd数组（n_components，）

奇异值，按非增顺序排序。

vhndrow形状数组（n_components，n_features）

具有符号翻转为行的右奇异向量的正矩阵。

注意到

该算法使用随机化来找到（通常非常好的）近似截断奇异值分解以加速计算。对于您只希望提取少量分量的大型矩阵，它的速度特别快。为了获得进一步的速度， n_iter 可以设置为<=2（以损失精度为代价）。为了提高精度，建议增加 n_oversamples ，高达 2*k-n_components 其中k是有效等级。通常， n_components 选择大于k，因此增加 n_oversamples 高达 n_components 应该够了

引用

[2]

矩阵分解的随机算法Per-Gunnar Martinsson、Vladimir Rokhlin和Mark Tygert

[3]

主成分分析随机算法的实现A。Szlam等人2014

示例

>>> import numpy as np
>>> from sklearn.utils.extmath import randomized_svd
>>> a = np.array([[1, 2, 3, 5],
...               [3, 4, 5, 6],
...               [7, 8, 9, 10]])
>>> U, s, Vh = randomized_svd(a, n_components=2, random_state=0)
>>> U.shape, s.shape, Vh.shape
((3, 2), (2,), (2, 4))
On this page