Python sklearn MiniBatchSparsePCA用法及代码示例

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

用法:

class sklearn.decomposition.MiniBatchSparsePCA(n_components=None, *, alpha=1, ridge_alpha=0.01, n_iter=100, callback=None, batch_size=3, verbose=False, shuffle=True, n_jobs=None, method='lars', random_state=None)

小批量稀疏主成分分析。

找到可以优化重构数据的稀疏组件集。稀疏程度可以通过参数 alpha 给出的 L1 惩罚系数来控制。

在用户指南中阅读更多信息。

参数：

n_components：整数，默认=无

要提取的稀疏原子数。如果无，则 n_components 设置为 n_features 。

alpha：整数，默认=1

稀疏性控制参数。更高的值会导致更稀疏的组件。

ridge_alpha：浮点数，默认=0.01

调用变换方法时为改善条件而应用的脊收缩量。

n_iter：整数，默认=100

为每个小批量执行的迭代次数。

callback：可调用，默认=无

每五次迭代调用一次的可调用对象。

batch_size：整数，默认=3

每个小批量中要采用的特征数量。

verbose：int 或布尔值，默认=False

控制详细程度；越高，消息越多。默认为 0。

shuffle：布尔，默认=真

是否在批量拆分数据之前对其进行洗牌。

n_jobs：整数，默认=无

要运行的并行作业数。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有处理器。有关详细信息，请参阅词汇表。

method：{‘lars’, ‘cd’}，默认='lars'

用于优化的方法。 lars：使用最小角度回归法求解lasso问题(linear_model.lars_path) cd：使用坐标下降法计算Lasso解(linear_model.Lasso)。如果估计的组件稀疏，Lars 会更快。

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

用于在线词典学习期间，当 shuffle 设置为 True 时进行随机洗牌。传递 int 以获得跨多个函数调用的可重现结果。请参阅术语表。

属性：

components_：ndarray 形状(n_components，n_features)

从数据中提取的稀疏分量。

n_components_：int

估计的组件数量。

n_iter_：int

运行的迭代次数。

mean_：ndarray 形状 (n_features,)

Per-feature 经验平均值，根据训练集估计。等于 X.mean(axis=0) 。

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：

>>> import numpy as np
>>> from sklearn.datasets import make_friedman1
>>> from sklearn.decomposition import MiniBatchSparsePCA
>>> X, _ = make_friedman1(n_samples=200, n_features=30, random_state=0)
>>> transformer = MiniBatchSparsePCA(n_components=5, batch_size=50,
...                                  random_state=0)
>>> transformer.fit(X)
MiniBatchSparsePCA(...)
>>> X_transformed = transformer.transform(X)
>>> X_transformed.shape
(200, 5)
>>> # most values in the components_ are zero (sparsity)
>>> np.mean(transformer.components_ == 0)
0.94