orthogonal_mp

sklearn.linear_model.orthogonal_mp(X, y, *, n_nonzero_coefs=None, tol=None, precompute=False, copy_X=True, return_path=False, return_n_iter=False)[source]

Ортогональное преследование совпадений (OMP).

Решает задачи ортогонального преследования совпадений n_targets. Пример задачи:

При параметризации по количеству ненулевых коэффициентов с помощью n_nonzero_coefs: argmin ||y - Xgamma||^2 при условии ||gamma||_0 <= n_{nonzero coefs}

При параметризации по ошибке с помощью параметра tol: argmin ||gamma||_0 при условии ||y - Xgamma||^2 <= tol

Подробнее в Руководстве пользователя.

Параметры:

Xarray-like of shape (n_samples, n_features)

Входные данные. Предполагается, что столбцы имеют единичную норму.

yndarray of shape (n_samples,) или (n_samples, n_targets)

Входные значения целевой переменной.

n_nonzero_coefsint, по умолчанию=None

Желаемое количество ненулевых элементов в решении. Если None (по умолчанию), это значение устанавливается в 10% от n_features.

tolfloat, по умолчанию=None

Максимальная квадратичная норма остатка. Если не None, переопределяет n_nonzero_coefs.

precompute‘auto’ или bool, по умолчанию=False

Выполнять ли предварительные вычисления. Улучшает производительность при очень больших n_targets или n_samples.

copy_Xbool, по умолчанию=True

Нужно ли алгоритму копировать матрицу проектирования X. Значение False полезно только если X уже отсортирован по Фортрану, иначе копирование выполняется в любом случае.

return_pathbool, по умолчанию=False

Возвращать ли каждое значение ненулевых коэффициентов вдоль пути вперед. Полезно для перекрестной проверки.

return_n_iterbool, по умолчанию=False

Возвращать ли количество итераций.

Возвращаемые значения:

coefndarray of shape (n_features,) или (n_features, n_targets)

Коэффициенты решения OMP. Если return_path=True, это содержит весь путь коэффициентов. В этом случае его форма (n_features, n_features) или (n_features, n_targets, n_features), и итерация по последней оси генерирует коэффициенты в порядке возрастания активных признаков.

n_itersarray-like или int

Количество активных признаков для каждого целевого значения. Возвращается только если return_n_iter установлено в True.

См. также

OrthogonalMatchingPursuit

Модель ортогонального преследования совпадений.

orthogonal_mp_gram

Решить задачи OMP, используя грам-матрицу и произведение X.T * y.

lars_path

Вычислить путь наименьшего угла регрессии или LASSO, используя алгоритм LARS.

sklearn.decomposition.sparse_encode

Кодирование разреженных данных.

Примечания

Ортогональное преследование совпадений было введено в S. Mallat, Z. Zhang, Matching pursuits with time-frequency dictionaries, IEEE Transactions on Signal Processing, Vol. 41, No. 12. (Декабрь 1993 г.), стр. 3397-3415. (https://www.di.ens.fr/~mallat/papiers/MallatPursuit93.pdf)

Эта реализация основана на Rubinstein, R., Zibulevsky, M. and Elad, M., Efficient Implementation of the K-SVD Algorithm using Batch Orthogonal Matching Pursuit Technical Report - CS Technion, April 2008. https://www.cs.technion.ac.il/~ronrubin/Publications/KSVD-OMP-v2.pdf

Примеры

>>> from sklearn.datasets import make_regression
>>> from sklearn.linear_model import orthogonal_mp
>>> X, y = make_regression(noise=4, random_state=0)
>>> coef = orthogonal_mp(X, y)
>>> coef.shape
(100,)
>>> X[:1,] @ coef
array([-78.68...])