orthogonal_mp_gram

sklearn.linear_model.orthogonal_mp_gram(Gram, Xy, *, n_nonzero_coefs=None, tol=None, norms_squared=None, copy_Gram=True, copy_Xy=True, return_path=False, return_n_iter=False)[исходный код]

Ортогональный жадный поиск по матрице Грама (OMP).

Решает n_targets задач ортогонального жадного поиска, используя только матрицу Грама X.T * X и произведение X.T * y.

Подробнее см. в руководстве пользователя.

Параметры:

Gramarray-like формы (n_features, n_features)

Матрица Грама входных данных: X.T * X.

Xyarray-like формы (n_features,) или (n_features, n_targets)

Входные целевые значения, умноженные на X: X.T * y.

n_nonzero_coefsint, по умолчанию=None

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

tolfloat, по умолчанию=None

Максимальная квадрат нормы остатка. Если значение не None, оно переопределяет n_nonzero_coefs.

norms_squaredarray-like формы (n_targets,), по умолчанию=None

Квадраты L2-норм строк y. Требуется, если tol не равен None.

copy_Grambool, по умолчанию=True

Нужно ли алгоритму копировать матрицу Грама. Значение False имеет смысл только в том случае, если данные уже упорядочены в формате Fortran; в противном случае копия будет создана в любом случае.

copy_Xybool, по умолчанию=True

Нужно ли алгоритму копировать вектор ковариаций Xy. Если задано False, он может быть перезаписан.

return_pathbool, по умолчанию=False

Возвращать ли все значения ненулевых коэффициентов на протяжении прямого пути. Полезно для перекрёстной проверки.

return_n_iterbool, по умолчанию=False

Возвращать ли количество итераций.

Возвращает:

coefndarray формы (n_features,) или (n_features, n_targets)

Коэффициенты решения OMP. Если задано return_path=True, содержит весь путь коэффициентов. В этом случае его форма — (n_features, n_features) или (n_features, n_targets, n_features), а при переборе последней оси коэффициенты выдаются в порядке возрастания количества активных признаков.

n_iterslist или int

Количество активных признаков для каждой целевой переменной. Возвращается только если return_n_iter имеет значение True.

См. также

OrthogonalMatchingPursuit

Модель ортогонального жадного поиска (OMP).

orthogonal_mp

Решает n_targets задач ортогонального жадного поиска.

lars_path

Вычисляет путь регрессии с наименьшим углом или Lasso с помощью алгоритма LARS.

sklearn.decomposition.sparse_encode

Универсальное разреженное кодирование. Каждый столбец результата является решением задачи Lasso.

Примечания

Ортогональный жадный поиск был представлен в работе G. Mallat, Z. Zhang, Matching pursuits with time-frequency dictionaries, IEEE Transactions on Signal Processing, Vol. 41, No. 12. (December 1993), pp. 3397-3415. (https://www.di.ens.fr/~mallat/papiers/MallatPursuit93.pdf)

Эта реализация основана на работе 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_gram
>>> X, y = make_regression(noise=4, random_state=0)
>>> coef = orthogonal_mp_gram(X.T @ X, X.T @ y)
>>> coef.shape
(100,)
>>> X[:1,] @ coef
array([-78.68])