PLSSVD

classsklearn.cross_decomposition.PLSSVD(n_components=2, *, scale=True, copy=True)[source]

Полная сингулярная декомпозиция с наименьшими квадратами.

Этот трансформер просто выполняет SVD на матрице взаимной ковариации X'Y. Он может проецировать как обучающие данные X, так и целевые значения Y. Обучающие данные X проецируются на левые сингулярные векторы, а целевые значения — на правые сингулярные векторы.

Подробнее см. в Руководстве пользователя.

Добавлена в версии 0.8.

Параметры:

n_componentsint, по умолчанию=2

Количество компонент для сохранения. Должно быть в [1, min(n_samples, n_features, n_targets)].

scalebool, по умолчанию=True

Масштабировать ли X и Y.

copybool, по умолчанию=True

Копировать ли X и Y в fit перед применением центрирования и, возможно, масштабирования. Если False, эти операции будут выполняться на месте, изменяя оба массива.

Атрибуты:

x_weights_массив формы (n_features, n_components)

Левые сингулярные векторы SVD матрицы взаимной ковариации. Используются для проекции X в transform.

y_weights_массив формы (n_targets, n_components)

Правые сингулярные векторы SVD матрицы взаимной ковариации. Используются для проекции X в transform.

n_features_in_int

Количество признаков, увиденных во время fit.

feature_names_in_массив формы (n_features_in_,)

Названия признаков, увиденные во время fit. Определены только тогда, когда у X есть имена признаков, которые все являются строками.

Добавлена в версии 1.0.

См. также

PLSCanonical

Преобразователь и регрессор с наименьшими квадратами наименьших компонентов.

CCA

Канонический корреляционный анализ.

Примеры

>>> import numpy as np
>>> from sklearn.cross_decomposition import PLSSVD
>>> X = np.array([[0., 0., 1.],
...               [1., 0., 0.],
...               [2., 2., 2.],
...               [2., 5., 4.]])
>>> y = np.array([[0.1, -0.2],
...               [0.9, 1.1],
...               [6.2, 5.9],
...               [11.9, 12.3]])
>>> pls = PLSSVD(n_components=2).fit(X, y)
>>> X_c, y_c = pls.transform(X, y)
>>> X_c.shape, y_c.shape
((4, 2), (4, 2))

fit(X, y=None, Y=None)[source]

Обучение модели на данных.

Параметры:

Xмассив-подобный формы (n_samples, n_features)

Обучающие выборки.

yмассив-подобный формы (n_samples,) или (n_samples, n_targets)

Целевые значения.

Yмассив-подобный формы (n_samples,) или (n_samples, n_targets)

Целевые значения.

Устарело начиная с версии 1.5: Y устарело в версии 1.5 и будет удалено в версии 1.7. Используйте y вместо этого.

Возвращает:

selfобъект

Обученный оценщик.

fit_transform(X, y=None)[source]

Обучение и применение понижения размерности.

Параметры:

Xмассив-подобный формы (n_samples, n_features)

Обучающие выборки.

yмассив-подобный формы (n_samples,) или (n_samples, n_targets), по умолчанию=None

Целевые значения.

Возвращает:

outмассив-подобный или кортеж массивов-подобных

Преобразованные данные X_transformed если Y is not None, (X_transformed, Y_transformed) в противном случае.

get_feature_names_out(input_features=None)[source]

Получить имена выходных признаков для преобразования.

Имена выходных признаков будут иметь префикс с именем класса в нижнем регистре. Например, если преобразователь выводит 3 признака, то имена выходных признаков следующие: ["class_name0", "class_name1", "class_name2"].

Параметры:

input_featuresмассив-подобный из str или None, по умолчанию=None

Используется только для проверки имен признаков с именами, увиденными в fit.

Возвращает:

feature_names_outмассив объектов str

Имена преобразованных признаков.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, ознакомьтесь с Руководством пользователя о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest инкапсулирующий информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернет параметры этого оценщика и вложенных подобъектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

set_output(*, transform=None)[source]

Установить контейнер вывода.

См. Введение в API set_output для примера использования API.

Параметры:

transform{“default”, “pandas”, “polars”}, по умолчанию=None

Настроить вывод transform и fit_transform.

• "default": Формат вывода по умолчанию для преобразователя
• "pandas": Вывод в формате DataFrame
• "polars": Вывод в формате Polars
• None: Настройки преобразования остаются неизменными

Добавлен в версии 1.4: "polars" опция была добавлена.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[source]

Установить параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (такими как Pipeline). Последние имеют параметры вида <component>__<parameter>, чтобы было возможно обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

transform(X, y=None, Y=None)[source]

Применить понижение размерности.

Параметры:

Xмассив-подобный размер (n_samples, n_features)

Образцы для преобразования.

yмассив-подобный размер (n_samples,) или (n_samples, n_targets), по умолчанию=None

Цели.

Yмассив-подобный размер (n_samples,) или (n_samples, n_targets), по умолчанию=None

Цели.

Устарело начиная с версии 1.5: Y устарело в 1.5 и будет удалено в 1.7. Используйте y вместо этого.

Возвращает:

x_scoresмассив-подобный или кортеж массивов-подобных

Преобразованные данные X_transformed если Y is not None, (X_transformed, Y_transformed) в противном случае.