MiniBatchSparsePCA

classsklearn.decomposition.MiniBatchSparsePCA(n_components=None, *, alpha=1, ridge_alpha=0.01, max_iter=1000, callback=None, batch_size=3, verbose=False, shuffle=True, n_jobs=None, method='lars', random_state=None, tol=0.001, max_no_improvement=10)[исходный код]

Разреженный анализ главных компонент с мини-пакетами.

Находит набор разреженных компонент, оптимально восстанавливающих данные. Степень разреженности можно регулировать коэффициентом L1-штрафа, задаваемым параметром alpha.

Пример сравнения разреженного PCA с PCA см. в разделе Разложения набора данных лиц

Подробнее см. в руководстве пользователя.

Параметры:

n_componentsint, default=None

Количество извлекаемых разреженных атомов. Если задано None, то n_components принимает значение n_features.

alphaint, default=1

Параметр, управляющий разреженностью. Чем выше значение, тем более разреженными становятся компоненты.

ridge_alphafloat, default=0.01

Степень регуляризации Риджа, применяемой для улучшения обусловленности при вызове метода transform.

max_iterint, default=1_000

Максимальное количество итераций по всему набору данных до остановки независимо от эвристик критериев досрочной остановки.

Добавлено в версии 1.2.

callbackcallable, default=None

Вызываемый объект, который вызывается каждые пять итераций.

batch_sizeint, default=3

Количество признаков, обрабатываемых в каждом мини-пакете.

verboseint or bool, default=False

Управляет подробностью вывода: чем выше значение, тем больше сообщений. По умолчанию равно 0.

shufflebool, default=True

Определяет, нужно ли перемешивать данные перед разбиением на пакеты.

n_jobsint, default=None

Количество параллельных заданий. None означает 1, если только не используется контекст joblib.parallel_backend. -1 означает использование всех процессоров. Подробнее см. в глоссарии.

method{‘lars’, ‘cd’}, default=’lars’

Метод оптимизации. lars: использует метод регрессии наименьшего угла для решения задачи Lasso (linear_model.lars_path); cd: использует метод покоординатного спуска для вычисления решения Lasso (linear_model.Lasso). Lars работает быстрее, если оцененные компоненты разрежены.

random_stateint, RandomState instance or None, default=None

Используется для случайного перемешивания, когда shuffle установлено в True, во время онлайн-обучения словаря. Передайте целое число, чтобы получать воспроизводимые результаты при нескольких вызовах функции. См. глоссарий.

tolfloat, default=1e-3

Управляет досрочной остановкой на основе нормы разностей словаря между двумя шагами.

Чтобы отключить досрочную остановку на основе изменений словаря, задайте для tol значение 0.0.

Добавлено в версии 1.1.

max_no_improvementint or None, default=10

Управляет досрочной остановкой на основе последовательного количества мини-пакетов, не приводящих к улучшению сглаженной функции стоимости.

Чтобы отключить обнаружение сходимости на основе функции стоимости, задайте для max_no_improvement значение None.

Добавлено в версии 1.1.

Атрибуты:

components_ndarray of shape (n_components, n_features)

Разреженные компоненты, извлеченные из данных.

n_components_int

Оцененное количество компонент.

Добавлено в версии 0.23.

n_iter_int

Количество выполненных итераций.

mean_ndarray of shape (n_features,)

Эмпирическое среднее по каждому признаку, оцененное на обучающем наборе. Равно X.mean(axis=0).

n_features_in_int

Количество признаков, обнаруженных во время fit.

Добавлено в версии 0.24.

feature_names_in_ndarray of shape (n_features_in_,)

Названия признаков, обнаруженных во время fit. Определяется только в том случае, если X содержит названия признаков, все из которых являются строками.

Добавлено в версии 1.0.

См. также

DictionaryLearning

Находит словарь для разреженного кодирования данных.

IncrementalPCA

Инкрементальный анализ главных компонент.

PCA

Анализ главных компонент.

SparsePCA

Разреженный анализ главных компонент.

TruncatedSVD

Снижение размерности с помощью усеченного SVD.

Примеры

>>> import numpy as np
>>> from sklearn.datasets import make_friedman1
>>> from sklearn.decomposition import MiniBatchSparsePCA
>>> X, _ = make_friedman1(n_samples=200, n_features=30, random_state=0)
>>> transformer = MiniBatchSparsePCA(n_components=5, batch_size=50,
...                                  max_iter=10, random_state=0)
>>> transformer.fit(X)
MiniBatchSparsePCA(...)
>>> 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(0.9)

fit(X, y=None)[исходный код]

Обучает модель на данных X.

Параметры:

Xarray-like of shape (n_samples, n_features)

Обучающий вектор, где n_samples — количество образцов, а n_features — количество признаков.

yIgnored

Не используется; присутствует здесь по соглашению для обеспечения согласованности API.

Возвращает:

selfobject

Возвращает сам экземпляр.

fit_transform(X, y=None, **fit_params)[исходный код]

Обучает модель на данных, а затем преобразует их.

Обучает преобразователь на X и y с дополнительными параметрами fit_params и возвращает преобразованную версию X.

Параметры:

Xarray-like of shape (n_samples, n_features)

Входные образцы.

yarray-like of shape (n_samples,) or (n_samples, n_outputs), default=None

Целевые значения (None для преобразований без учителя).

**fit_paramsdict

Дополнительные параметры обучения. Передавайте их только в том случае, если оценщик принимает дополнительные параметры в методе fit.

Возвращает:

X_newndarray array of shape (n_samples, n_features_new)

Преобразованный массив.

get_feature_names_out(input_features=None)[исходный код]

Возвращает названия выходных признаков преобразования.

К названиям выходных признаков добавляется имя класса в нижнем регистре. Например, если преобразователь возвращает 3 признака, их названия будут следующими: ["class_name0", "class_name1", "class_name2"].

Параметры:

input_featuresarray-like of str or None, default=None

Используется только для проверки названий признаков по названиям, обнаруженным в fit.

Возвращает:

feature_names_outndarray of str objects

Названия преобразованных признаков.

get_metadata_routing()[исходный код]

Возвращает маршрутизацию метаданных этого объекта.

О том, как работает механизм маршрутизации, см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий сведения о маршрутизации.

get_params(deep=True)[исходный код]

Возвращает параметры этого оценщика.

Параметры:

deepbool, default=True

Если True, возвращает параметры этого оценщика и содержащихся в нем вложенных объектов, которые являются оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные их значениям.

inverse_transform(X)[исходный код]

Преобразует данные из скрытого пространства в исходное.

Это обратное преобразование является приближенным из-за потери информации, вызванной прямым разложением.

Добавлено в версии 1.2.

Параметры:

Xndarray of shape (n_samples, n_components)

Данные в скрытом пространстве.

Возвращает:

X_originalndarray of shape (n_samples, n_features)

Восстановленные данные в исходном пространстве.

set_output(*, transform=None)[исходный код]

Задает контейнер вывода.

Подробнее см. в руководстве пользователя, а пример использования API приведен в разделе Знакомство с API set_output.

Параметры:

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

Настраивает вывод transform и fit_transform.

• "default": формат вывода преобразователя по умолчанию
• "pandas": вывод DataFrame
• "polars": вывод Polars
• None: конфигурация преобразования остается без изменений

Добавлено в версии 1.4: добавлен параметр "polars".

Возвращает:

selfestimator instance

Экземпляр оценщика.

set_params(**params)[исходный код]

Задает параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (например, Pipeline). У последних параметры имеют вид <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfestimator instance

Экземпляр оценщика.

transform(X)[исходный код]

Проецирует данные на разреженные компоненты методом наименьших квадратов.

Чтобы избежать проблем с нестабильностью в случае недоопределенной системы, можно применить регуляризацию (регрессию Риджа) с помощью параметра ridge_alpha.

Обратите внимание, что в отличие от PCA, ортогональность компонент Sparse PCA не обеспечивается, поэтому простую линейную проекцию использовать нельзя.

Параметры:

Xndarray of shape (n_samples, n_features)

Тестовые данные для преобразования; число признаков должно совпадать с числом признаков данных, использованных для обучения модели.

Возвращает:

X_newndarray of shape (n_samples, n_components)

Преобразованные данные.

Примеры из галереи

Разложения набора данных лиц