Python sklearn PLSCanonical用法及代码示例

本文简要介绍python语言中 sklearn.cross_decomposition.PLSCanonical 的用法。

用法:

class sklearn.cross_decomposition.PLSCanonical(n_components=2, *, scale=True, algorithm='nipals', max_iter=500, tol=1e-06, copy=True)

偏最小二乘变换器和回归器。

在用户指南中阅读更多信息。

参数：

n_components：整数，默认=2

要保留的组件数。应该在 [1, min(n_samples, n_features, n_targets)] 中。

scale：布尔，默认=真

是否缩放 X 和 Y 。

algorithm：{‘nipals’, ‘svd’}，默认='nipals'

用于估计交叉协方差矩阵的第一个奇异向量的算法。 ‘nipals’ 使用幂法，而‘svd’ 将计算整个 SVD。

max_iter：整数，默认=500

algorithm='nipals' 时幂法的最大迭代次数。否则忽略。

tol：浮点数，默认=1e-06

幂法中用作收敛标准的容差：只要 u_i - u_{i-1} 的平方范数小于 tol ，算法就会停止，其中 u 对应于左奇异向量。

copy：布尔，默认=真

是否在应用居中和可能缩放之前复制 X 和 Y 以适应。如果为 False，这些操作将在原地完成，同时修改两个数组。

属性：

x_weights_：ndarray 形状(n_features，n_components)

每次迭代的交叉协方差矩阵的左奇异向量。

y_weights_：ndarray 形状(n_targets，n_components)

每次迭代的交叉协方差矩阵的右奇异向量。

x_loadings_：ndarray 形状(n_features，n_components)

X 的负载。

y_loadings_：ndarray 形状(n_targets，n_components)

Y 的负载。

x_scores_ndarray 形状(n_samples，n_components)

属性 x_scores_ 在版本 0.24 中已弃用。

y_scores_ndarray 形状(n_samples，n_components)

属性 y_scores_ 在版本 0.24 中已弃用。

x_rotations_：ndarray 形状(n_features，n_components)

用于变换 X 的投影矩阵。

y_rotations_：ndarray 形状(n_features，n_components)

用于变换 Y 的投影矩阵。

coef_：ndarray 形状(n_features，n_targets)

线性模型的系数，使得 Y 近似为 Y = X @ coef_ 。

n_iter_：形状列表(n_components，)

每个组件的幂方法的迭代次数。如果 algorithm='svd' 则为空。

n_features_in_：int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

例子：

>>> from sklearn.cross_decomposition import PLSCanonical
>>> X = [[0., 0., 1.], [1.,0.,0.], [2.,2.,2.], [2.,5.,4.]]
>>> Y = [[0.1, -0.2], [0.9, 1.1], [6.2, 5.9], [11.9, 12.3]]
>>> plsca = PLSCanonical(n_components=2)
>>> plsca.fit(X, Y)
PLSCanonical()
>>> X_c, Y_c = plsca.transform(X, Y)