Python sklearn FastICA用法及代码示例

本文简要介绍python语言中 sklearn.decomposition.FastICA 的用法。

用法:

class sklearn.decomposition.FastICA(n_components=None, *, algorithm='parallel', whiten=True, fun='logcosh', fun_args=None, max_iter=200, tol=0.0001, w_init=None, random_state=None)

FastICA：独立分量分析的快速算法。

实现基于[1]。

在用户指南中阅读更多信息。

参数：

n_components：整数，默认=无

要使用的组件数量。如果没有通过，则全部使用。

algorithm：{‘parallel’, ‘deflation’}，默认='并行'

对 FastICA 应用并行或通货紧缩算法。

whiten：布尔，默认=真

如果 whiten 为 false，则认为数据已经白化，不进行白化。

fun：{‘logcosh’, ‘exp’, ‘cube’} 或可调用，默认='logcosh'

用于近似 neg-entropy 的 G 函数的函数形式。可以是‘logcosh’, ‘exp’或‘cube’。您还可以提供自己的函数。它应该返回一个元组，其中包含该点中的函数及其导数的值。例子：

def my_g(x):
    return x ** 3, (3 * x ** 2).mean(axis=-1)

fun_args：字典，默认=无

要发送到函数形式的参数。如果为空并且如果 fun='logcosh'，fun_args 将取值 {‘alpha’: 1.0}。

max_iter：整数，默认=200

拟合期间的最大迭代次数。

tol：浮点数，默认=1e-4

每次迭代的更新容差。

w_init：ndarray 形状(n_components，n_components)，默认=None

用于初始化算法的混合矩阵。

random_state：int、RandomState 实例或无，默认=无

未指定时用于初始化w_init，具有正态分布。传递一个 int，以获得跨多个函数调用的可重现结果。请参阅词汇表。

属性：

components_：ndarray 形状(n_components，n_features)

应用于数据以获取独立源的线性算子。当whiten 为假时，这等于解混合矩阵，当whiten 为真时，这等于np.dot(unmixing_matrix, self.whitening_)。

mixing_：ndarray 形状(n_features，n_components)

components_ 的 pseudo-inverse 。将独立源映射到数据的是线性算子。

mean_：形状的ndarray(n_features，)

特征的均值。仅在 self.whiten 为 True 时设置。

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。

n_iter_：int

如果算法是“deflation”，n_iter 是在所有组件上运行的最大迭代次数。否则，它们只是收敛所需的迭代次数。

whitening_：ndarray 形状(n_components，n_features)

仅在 whiten 为“True”时设置。这是将数据投影到第一个 n_components 主成分上的预白化矩阵。

参考：

1

A. Hyvarinen 和 E. Oja，独立分量分析：算法和应用，神经网络，13(4-5)，2000，第 411-430 页。

例子：

>>> from sklearn.datasets import load_digits
>>> from sklearn.decomposition import FastICA
>>> X, _ = load_digits(return_X_y=True)
>>> transformer = FastICA(n_components=7,
...         random_state=0)
>>> X_transformed = transformer.fit_transform(X)
>>> X_transformed.shape
(1797, 7)