SparsePCA#

class sklearn.decomposition.SparsePCA(n_components=None, *, alpha=1, ridge_alpha=0.01, max_iter=1000, tol=1e-08, method='lars', n_jobs=None, U_init=None, V_init=None, verbose=False, random_state=None)#

稀疏主成分分析（SparsePCA）。

找到一组可以最优重构数据的可控稀疏成分。稀疏度由L1惩罚的系数控制，由参数alpha给出。

更多信息请参阅 用户指南 。

Parameters:
n_componentsint, default=None

要提取的稀疏原子数量。如果为None，则 n_components 设置为 n_features 。

alphafloat, default=1

稀疏控制参数。值越高，成分越稀疏。

ridge_alphafloat, default=0.01

在调用transform方法时，为了改善条件而应用的岭收缩量。

max_iterint, default=1000

要执行的最大迭代次数。

tolfloat, default=1e-8

停止条件的容差。

method{‘lars’, ‘cd’}, default=’lars’

用于优化的方法。 lars: 使用最小角回归方法解决lasso问题（linear_model.lars_path） cd: 使用坐标下降法计算Lasso解（linear_model.Lasso）。如果估计的成分稀疏，Lars会更快。

n_jobsint, default=None

并行运行的作业数量。 None 意味着1，除非在 joblib.parallel_backend 上下文中。 -1 意味着使用所有处理器。更多详情请参阅 Glossary 。

U_initndarray of shape (n_samples, n_components), default=None

用于热重启场景的载荷初始值。仅在 U_init 和 V_init 不为None时使用。

V_initndarray of shape (n_components, n_features), default=None

用于热重启场景的成分初始值。仅在 U_init 和 V_init 不为None时使用。

verboseint or bool, default=False

控制详细程度；越高，消息越多。默认为0。

random_stateint, RandomState instance or None, default=None

用于字典学习。传递一个int以在多次函数调用中获得可重复的结果。 更多详情请参阅 Glossary 。

Attributes:
components_ndarray of shape (n_components, n_features)

从数据中提取的稀疏成分。

error_ndarray

每次迭代时的误差向量。

n_components_int

估计的成分数量。

Added in version 0.23.

n_iter_int

运行的迭代次数。

mean_ndarray of shape (n_features,)

每个特征的经验均值，从训练集中估计。等于 X.mean(axis=0) 。

n_features_in_int

在 fit 期间看到的特征数量。

Added in version 0.24.

feature_names_in_ndarray of shape ( n_features_in_ ,)

在 fit 期间看到的特征名称。仅当 X 的特征名称为所有字符串时定义。

Added in version 1.0.

See also

PCA

主成分分析实现。

MiniBatchSparsePCA

SparsePCA 的迷你批量变体，速度更快但准确性较低。

DictionaryLearning

使用稀疏编码的通用字典学习问题。

Examples

>>> import numpy as np
>>> from sklearn.datasets import make_friedman1
>>> from sklearn.decomposition import SparsePCA
>>> X, _ = make_friedman1(n_samples=200, n_features=30, random_state=0)
>>> transformer = SparsePCA(n_components=5, random_state=0)
>>> transformer.fit(X)
SparsePCA(...)
>>> X_transformed = transformer.transform(X)
>>> X_transformed.shape
(200, 5)
>>> # 成分_中的大多数值为零（稀疏性）
>>> np.mean(transformer.components_ == 0)
0.9666...
fit(X, y=None)#

拟合从数据X中的模型。

Parameters:
X形状为 (n_samples, n_features) 的类数组

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

y忽略

未使用，此处存在是为了通过约定保持API一致性。

Returns:
self对象

返回实例本身。

fit_transform(X, y=None, **fit_params)#

拟合数据，然后进行转换。

将转换器拟合到 X 和 y ，并带有可选参数 fit_params ， 并返回 X 的转换版本。

Parameters:
X形状为 (n_samples, n_features) 的类数组

输入样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组, 默认=None

目标值（无监督转换为 None）。

**fit_paramsdict

其他拟合参数。

Returns:
X_new形状为 (n_samples, n_features_new) 的 ndarray 数组

转换后的数组。

get_feature_names_out(input_features=None)#

获取转换后的输出特征名称。

输出特征名称将以小写的类名作为前缀。例如，如果转换器输出3个特征，那么输出特征名称将是： ["class_name0", "class_name1", "class_name2"] 。

Parameters:
input_features类似数组的对象或None，默认为None

仅用于验证特征名称与 fit 中看到的名称。

Returns:
feature_names_outndarray of str对象

转换后的特征名称。

get_metadata_routing()#

获取此对象的元数据路由。

请查看 用户指南 以了解路由机制的工作原理。

Returns:
routingMetadataRequest

MetadataRequest 封装的 路由信息。

get_params(deep=True)#

获取此估计器的参数。

Parameters:
deepbool, 默认=True

如果为True，将返回此估计器和包含的子对象（也是估计器）的参数。

Returns:
paramsdict

参数名称映射到它们的值。

inverse_transform(X)#

将数据从潜在空间转换到原始空间。

由于前向分解导致的信息丢失，这种反转是一个近似值。

Added in version 1.2.

Parameters:
X形状为 (n_samples, n_components) 的 ndarray

潜在空间中的数据。

Returns:
X_original形状为 (n_samples, n_features) 的 ndarray

原始空间中的重建数据。

set_output(*, transform=None)#

设置输出容器。

请参阅 介绍 set_output API 以了解如何使用API的示例。

Parameters:
transform{“default”, “pandas”, “polars”}, 默认=None

配置 transform 和 fit_transform 的输出。

  • "default" : 转换器的默认输出格式

  • "pandas" : DataFrame 输出

  • "polars" : Polars 输出

  • None : 转换配置不变

Added in version 1.4: "polars" 选项已添加。

Returns:
self估计器实例

估计器实例。

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（例如 Pipeline ）。后者具有形式为 <component>__<parameter> 的参数，以便可以更新嵌套对象的每个组件。

Parameters:
**paramsdict

估计器参数。

Returns:
selfestimator instance

估计器实例。

transform(X)#

最小二乘法将数据投影到稀疏成分上。

为了避免系统在欠定情况下出现不稳定问题，可以通过 ridge_alpha 参数应用正则化（岭回归）。

请注意，稀疏PCA成分的正交性不像PCA那样被强制执行，因此不能使用简单的线性投影。

Parameters:
X形状为 (n_samples, n_features) 的 ndarray

要转换的测试数据，必须与用于训练模型的数据具有相同数量的特征。

Returns:
X_new形状为 (n_samples, n_components) 的 ndarray

转换后的数据。

On this page
Show Source