mlxtend version: 0.23.1

LinearDiscriminantAnalysis

LinearDiscriminantAnalysis(n_discriminants=None)

线性判别分析类

Parameters

• n_discriminants : int (默认: None)

  用于转换的判别数. 如果为 None,则保留数据集的原始维度.

Attributes

• w_ : array-like, shape=[n_features, n_discriminants]

  投影矩阵

• e_vals_ : array-like, shape=[n_features]

  按顺序排列的特征值.

• e_vecs_ : array-like, shape=[n_features]

  按顺序排列的特征向量.

Examples

有关使用示例,请参见 https://rasbt.github.io/mlxtend/user_guide/feature_extraction/LinearDiscriminantAnalysis/

Methods

---

fit(X, y, n_classes=None)

拟合LDA模型与X.

Parameters

• X : {array-like, sparse matrix}, shape = [n_samples, n_features]

  训练向量,其中n_samples是样本数量,n_features是特征数量.

• y : array-like, shape = [n_samples]

  目标值.

• n_classes : int (默认: None)

  一个正整数,用于声明类标签的数量, 如果并非所有类标签都出现在部分训练集中. 如果为None,则自动获取类标签的数量.

Returns

• self : object

---

get_params(deep=True)

获取此估计器的参数.

Parameters

• deep : boolean, 可选

  如果为 True,将返回此估计器及其包含的作为估计器的子对象的参数.

Returns

• params : 字符串到任意类型的映射

  参数名称映射到其值.

  改编自 https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/base.py 作者: Gael Varoquaux gael.varoquaux@normalesup.org 许可证: BSD 3 条款

---

set_params(params)

设置此估计器的参数. 该方法适用于简单估计器以及嵌套对象（如管道）. 后者具有形式为<组件>__<参数>的参数,以便可以更新嵌套对象的每个组件.

Returns

self

改编自
https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/base.py
作者: Gael Varoquaux <gael.varoquaux@normalesup.org>
许可证: BSD 3条款

---

transform(X)

应用线性变换于X.

Parameters

• X : {array-like, sparse matrix}, shape = [n_samples, n_features]

  训练向量,其中n_samples是样本数量,n_features是特征数量.

Returns

• X_projected : np.ndarray, shape = [n_samples, n_discriminants]

  投影后的训练向量.

PrincipalComponentAnalysis

PrincipalComponentAnalysis(n_components=None, solver='svd', whitening=False)

主成分分析类

Parameters

• n_components : int (默认: None)

  用于转换的主成分数量. 如果为 None,则保留数据集的原始维度.

• solver : str (默认: 'svd')

  执行矩阵分解的方法. {'eigen', 'svd'}

• whitening : bool (默认: False)

  执行白化处理,使得变换后数据的协方差矩阵为单位矩阵.

Attributes

• w_ : array-like, shape=[n_features, n_components]

  投影矩阵

• e_vals_ : array-like, shape=[n_features]

  按顺序排列的特征值.

• e_vecs_ : array-like, shape=[n_features]

  按顺序排列的特征向量.

• e_vals_normalized_ : array-like, shape=[n_features]

  归一化的特征值,使其总和为1. 这通常被称为"解释方差比例”.

• loadings_ : array_like, shape=[n_features, n_features]

  原始变量在主成分上的因子载荷. 列为主成分,行为特征载荷. 例如,第一列包含在第一个主成分上的载荷. 注意,符号可能会根据使用 'eigen' 或 'svd' 求解器而翻转; 但这不影响载荷的解释.

Examples

有关使用示例,请参见 https://rasbt.github.io/mlxtend/user_guide/feature_extraction/PrincipalComponentAnalysis/

Methods

---

fit(X, y=None)

学习训练数据中的模型.

Parameters

• X : {array-like, sparse matrix}, shape = [n_samples, n_features]

  训练向量,其中 n_samples 是样本数量,n_features 是特征数量.

Returns

• self : object

---

get_params(deep=True)

获取此估计器的参数.

Parameters

• deep : boolean, 可选

  如果为 True,将返回此估计器及其包含的作为估计器的子对象的参数.

Returns

• params : 字符串到任意类型的映射

  参数名称映射到其值.

  改编自 https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/base.py 作者: Gael Varoquaux gael.varoquaux@normalesup.org 许可证: BSD 3 条款

---

set_params(params)

设置此估计器的参数. 该方法适用于简单估计器以及嵌套对象（如管道）. 后者具有形式为<组件>__<参数>的参数,以便可以更新嵌套对象的每个组件.

Returns

self

改编自
https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/base.py
作者: Gael Varoquaux <gael.varoquaux@normalesup.org>
许可证: BSD 3条款

---

transform(X)

应用线性变换于X.

Parameters

• X : {array-like, sparse matrix}, shape = [n_samples, n_features]

  训练向量,其中n_samples是样本数量,n_features是特征数量.

Returns

• X_projected : np.ndarray, shape = [n_samples, n_components]

  投影后的训练向量.

RBFKernelPCA

RBFKernelPCA(gamma=15.0, n_components=None, copy_X=True)

径向基函数核主成分分析用于降维.

Parameters

• gamma : float (默认: 15.0)

  径向基函数核的自由参数（系数）.

• n_components : int (默认: None)

  用于转换的主成分数量. 如果为 None,则保留数据集的原始维度.

• copy_X : bool (默认: True)

  复制训练数据,这对于通过 transform 方法计算新数据的投影是必需的. 如果为 False,则使用对 X 的引用.

Attributes

• e_vals_ : array-like, shape=[n_features]

  按顺序排列的特征值.

• e_vecs_ : array-like, shape=[n_features]

  按顺序排列的特征向量.

• X_projected_ : array-like, shape=[n_samples, n_components]

  沿成分轴投影的训练样本.

Examples

有关使用示例,请参见 https://rasbt.github.io/mlxtend/user_guide/feature_extraction/RBFKernelPCA/

Methods

---

fit(X)

学习训练数据中的模型.

Parameters

• X : {array-like, sparse matrix}, shape = [n_samples, n_features]

  训练向量,其中 n_samples 是样本的数量,n_features 是特征的数量.

Returns

• self : object

---

get_params(deep=True)

获取此估计器的参数.

Parameters

• deep : boolean, 可选

  如果为 True,将返回此估计器及其包含的作为估计器的子对象的参数.

Returns

• params : 字符串到任意类型的映射

  参数名称映射到其值.

  改编自 https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/base.py 作者: Gael Varoquaux gael.varoquaux@normalesup.org 许可证: BSD 3 条款

---

set_params(params)

设置此估计器的参数. 该方法适用于简单估计器以及嵌套对象（如管道）. 后者具有形式为<组件>__<参数>的参数,以便可以更新嵌套对象的每个组件.

Returns

self

改编自
https://github.com/scikit-learn/scikit-learn/blob/master/sklearn/base.py
作者: Gael Varoquaux <gael.varoquaux@normalesup.org>
许可证: BSD 3条款

---

transform(X)

应用非线性变换于X.

Parameters

• X : {类数组, 稀疏矩阵}, shape = [n_samples, n_features]

  训练向量,其中n_samples是样本数量,n_features是特征数量.

Returns

• X_projected : np.ndarray, shape = [n_samples, n_components]

  投影后的训练向量.