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)[source]

Ортогональное преследование по соответствию (OMP).

Решает n_targets задачи ортогонального преследования по соответствию, используя только матрицу Грама X.T * X и произведение X.T * y.

Подробнее см. в Руководстве пользователя.

Параметры:

Gramдвумерный массив (n_features, n_features)

Матрица Грама входных данных: X.T * X.

Xyдвумерный массив (n_features,) или (n_features, n_targets)

Целевые значения, умноженные на X: X.T * y.

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 нормированная (квадрат) величина остатка. Если не None, переопределяет n_nonzero_coefs.

norms_squaredодномерный массив (n_targets,), по умолчанию=None

Квадрат нормы L2 строк y. Требуется, если tol не равно None.

copy_Grambool, по умолчанию=True

Необходимо ли копировать матрицу Грама алгоритмом. Значение False полезно только если она уже в формате Fortran, в противном случае копирование выполняется.

copy_Xybool, по умолчанию=True

Необходимо ли копировать вектор ковариации Xy алгоритмом. Если False, он может быть перезаписан.

return_pathbool, по умолчанию=False

Возвращать ли все значения ненулевых коэффициентов вдоль пути поиска. Полезно для перекрестной проверки.

return_n_iterbool, по умолчанию=False

Возвращать ли количество итераций.

Возвращает:

coefодномерный массив (n_features,) или (n_features, n_targets)

Коэффициенты решения OMP. Если return_path=True, содержит весь путь коэффициентов. В этом случае его размерность (n_features, n_features) или (n_features, n_targets, n_features), и итерирование по последней оси возвращает коэффициенты в возрастающем порядке активных признаков.

n_itersсписок или целое число

Количество активных признаков по каждой цели. Возвращается только если return_n_iter установлено в True.

См. также

OrthogonalMatchingPursuit

Модель ортогонального преследования по соответствию (OMP).

orthogonal_mp

Решает n_targets задач ортогонального преследования по соответствию.

lars_path

Вычисление пути регрессии с наименьшим углом или пути Лассо с помощью алгоритма LARS.

sklearn.decomposition.sparse_encode

Обобщенное кодирование разреженных данных. Каждый столбец результата является решением задачи Лассо.

Примечания

Ортогональное преследование по соответствию было введено в G. Mallat, Z. Zhang, Matching pursuits with time-frequency dictionaries, IEEE Transactions on Signal Processing, Vol. 41, No. 12. (Декабрь 1993), с. 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_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...])