Python sklearn SparsePCA用法及代码示例

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

用法:

class sklearn.decomposition.SparsePCA(n_components=None, *, alpha=1, ridge_alpha=0.01, max_iter=1000, tol=1e-08, method='lars', n_jobs=None, U_init=None, V_init=None, verbose=False, random_state=None)

稀疏主成分分析(SparsePCA)。

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：浮点数，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。

max_iter：整数，默认=1000

要执行的最大迭代次数。

tol：浮点数，默认=1e-8

停止条件的公差。

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。

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。

U_init：ndarray 形状(n_samples，n_components)，默认=None

热重启方案的负载初始值。仅在 U_init 和 V_init 不是 None 时使用。

V_init：ndarray 形状(n_components，n_features)，默认=None

热重启方案的组件初始值。仅在 U_init 和 V_init 不是 None 时使用。

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。

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

在词典学习过程中使用。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。

error_：ndarray

每次迭代的错误向量。

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 SparsePCA
>>> X, _ = make_friedman1(n_samples=200, n_features=30, random_state=0)
>>> transformer = SparsePCA(n_components=5, random_state=0)
>>> transformer.fit(X)
SparsePCA(...)
>>> X_transformed = transformer.transform(X)
>>> X_transformed.shape
(200, 5)
>>> # most values in the components_ are zero (sparsity)
>>> np.mean(transformer.components_ == 0)
0.9666...