randomized_range_finder

sklearn.utils.extmath.randomized_range_finder(A, *, size, n_iter, power_iteration_normalizer='auto', random_state=None)

计算一个正交矩阵，其范围近似于A的范围。

Parameters:

A二维数组

输入数据矩阵。

size整数

返回数组的大小。

n_iter整数

用于稳定结果的幂迭代次数。

power_iteration_normalizer{‘auto’, ‘QR’, ‘LU’, ‘none’}, 默认=’auto’

幂迭代是否通过逐步QR分解（最慢但最准确）、’none’（最快但在 n_iter 较大时数值不稳定，例如通常为5或更大）或’LU’分解（数值稳定但可能在准确性上略有损失）进行归一化。’auto’模式在 n_iter <= 2时不进行归一化，否则切换到LU。

Added in version 0.18.

random_state整数, RandomState实例或None, 默认=None

伪随机数生成器的种子，用于在洗牌数据时，即获取随机向量以初始化算法。传递一个整数以在多次函数调用中获得可重复的结果。参见 Glossary 。

Returns:

Qndarray

一个(size x size)投影矩阵，其范围很好地近似于输入矩阵A的范围。

Notes

遵循以下算法4.3： “Finding structure with randomness: Stochastic algorithms for constructing approximate matrix decompositions” Halko, et al. (2009)

实现了一种用于主成分分析的随机算法 A. Szlam et al. 2014

Examples

>>> import numpy as np
>>> from sklearn.utils.extmath import randomized_range_finder
>>> A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
>>> randomized_range_finder(A, size=2, n_iter=2, random_state=42)
array([[-0.21...,  0.88...],
       [-0.52...,  0.24...],
       [-0.82..., -0.38...]])