Python sklearn SparseCoder用法及代码示例

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

用法:

class sklearn.decomposition.SparseCoder(dictionary, *, transform_algorithm='omp', transform_n_nonzero_coefs=None, transform_alpha=None, split_sign=False, n_jobs=None, positive_code=False, transform_max_iter=1000)

稀疏编码。

根据固定的预先计算的字典查找数据的稀疏表示。

结果的每一行都是稀疏编码问题的解决方案。目标是找到一个稀疏数组code，这样：

X ~= code * dictionary

在用户指南中阅读更多信息。

参数：

dictionary：ndarray 形状(n_components，n_features)

用于稀疏编码的字典原子。假设线被标准化为单位范数。

transform_algorithm：{‘lasso_lars’, ‘lasso_cd’，‘lars’, ‘omp’，‘threshold’}，默认='omp'

用于转换数据的算法：

• 'lars'：使用最小角度回归法(linear_model.lars_path)；
• 'lasso_lars' : 使用 Lars 计算 Lasso 解；
• 'lasso_cd' ：使用坐标下降法计算 Lasso 解(linear_model.Lasso)。 'lasso_lars' 如果估计的组件稀疏，会更快；
• 'omp'：使用正交匹配追踪估计稀疏解；
• 'threshold' ：将投影 dictionary * X' 中小于 alpha 的所有系数压缩为零。

transform_n_nonzero_coefs：整数，默认=无

解的每列中要定位的非零系数的数量。这仅由algorithm='lars' 和algorithm='omp' 使用，并在omp 情况下被alpha 覆盖。如果 None ，那么 transform_n_nonzero_coefs=int(n_features / 10) 。

transform_alpha：浮点数，默认=无

如果 algorithm='lasso_lars' 或 algorithm='lasso_cd' ， alpha 是应用于 L1 范数的惩罚。如果 algorithm='threshold' ， alpha 是阈值的绝对值，低于该阈值的系数将被压缩为零。如果 algorithm='omp' ， alpha 是容差参数：目标重建误差的值。在这种情况下，它会覆盖 n_nonzero_coefs 。如果 None ，默认为 1。

split_sign：布尔，默认=假

是否将稀疏特征向量拆分为其负部分和正部分的串联。这可以提高下游分类器的性能。

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。

positive_code：布尔，默认=假

查找代码时是否强制执行积极性。

transform_max_iter：整数，默认=1000

algorithm='lasso_cd' 或 lasso_lars 时要执行的最大迭代次数。

属性：

components_ndarray 形状(n_components，n_features)

已弃用：属性 components_ 在 0.24 中已弃用，并将在 1.1 中删除(重命名为 0.26)。

n_components_int

原子数。

n_features_in_int

fit 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.decomposition import SparseCoder
>>> X = np.array([[-1, -1, -1], [0, 0, 3]])
>>> dictionary = np.array(
...     [[0, 1, 0],
...      [-1, -1, 2],
...      [1, 1, 1],
...      [0, 1, 1],
...      [0, 2, 1]],
...    dtype=np.float64
... )
>>> coder = SparseCoder(
...     dictionary=dictionary, transform_algorithm='lasso_lars',
...     transform_alpha=1e-10,
... )
>>> coder.transform(X)
array([[ 0.,  0., -1.,  0.,  0.],
       [ 0.,  1.,  1.,  0.,  0.]])