GaussianRandomProjection#

class sklearn.random_projection.GaussianRandomProjection(n_components='auto', *, eps=0.1, compute_inverse_components=False, random_state=None)#

通过高斯随机投影降低维度。

随机矩阵的组成部分是从 N(0, 1 / n_components) 中抽取的。

更多信息请参阅用户指南。

Added in version 0.13.

Parameters:

n_componentsint or ‘auto’, default=’auto’

目标投影空间的维度。

n_components 可以根据数据集中的样本数量和 Johnson-Lindenstrauss 引理给出的界限自动调整。在这种情况下，嵌入的质量由 eps 参数控制。

需要注意的是，Johnson-Lindenstrauss 引理可能会产生非常保守的所需组件数量估计，因为它不对数据集的结构做任何假设。

epsfloat, default=0.1

当 n_components 设置为 ‘auto’ 时，用于控制嵌入质量的参数，根据 Johnson-Lindenstrauss 引理。该值应严格为正。

较小的值会导致更好的嵌入和目标投影空间中更多的维度（n_components）。

compute_inverse_componentsbool, default=False

在拟合过程中通过计算组件的伪逆来学习逆变换。请注意，计算伪逆对于大型矩阵来说并不可扩展。

random_stateint, RandomState instance or None, default=None

控制用于在拟合时生成投影矩阵的伪随机数生成器。传递一个 int 以在多次函数调用中获得可重复的输出。请参阅 Glossary 。

Attributes:

n_components_int: 当 n_components=”auto” 时计算的具体组件数量。
components_ndarray of shape (n_components, n_features): 用于投影的随机矩阵。
inverse_components_ndarray of shape (n_features, n_components): 仅在 compute_inverse_components 为 True 时计算的组件的伪逆。

Added in version 1.1.
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 的特征名称均为字符串时定义。

Added in version 1.0.

See also

SparseRandomProjection: 通过稀疏随机投影降低维度。

Examples

>>> import numpy as np
>>> from sklearn.random_projection import GaussianRandomProjection
>>> rng = np.random.RandomState(42)
>>> X = rng.rand(25, 3000)
>>> transformer = GaussianRandomProjection(random_state=rng)
>>> X_new = transformer.fit_transform(X)
>>> X_new.shape
(25, 2759)

fit(X, y=None)#

生成一个稀疏随机投影矩阵。

Parameters:

X{ndarray, sparse matrix}，形状为 (n_samples, n_features): 训练集：仅使用形状来根据上述论文中引用的理论找到最佳随机矩阵维度。
y忽略: 未使用，此处仅为了API一致性而存在。

Returns:

selfobject: BaseRandomProjection 类实例。

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)#

将数据投影回其原始空间。

返回一个数组 X_original，其变换结果为 X。请注意，即使 X 是稀疏的，X_original 也是密集的：这可能会使用大量 RAM。

如果 compute_inverse_components 为 False，则在每次调用 inverse_transform 时计算组件的逆，这可能会很耗时。

Parameters:

X{array-like, sparse matrix}，形状为 (n_samples, n_components): 要变换回的数据。

Returns:

X_originalndarray，形状为 (n_samples, n_features): 重建的数据。

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)#

通过使用随机矩阵的矩阵乘积来投影数据。

Parameters:

X{ndarray, sparse matrix}，形状为 (n_samples, n_features): 要投影到较小维度空间中的输入数据。

Returns:

X_newndarray，形状为 (n_samples, n_components): 投影后的数组。