Python sklearn dict_learning用法及代码示例

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

用法:

sklearn.decomposition.dict_learning(X, n_components, *, alpha, max_iter=100, tol=1e-08, method='lars', n_jobs=None, dict_init=None, code_init=None, callback=None, verbose=False, random_state=None, return_n_iter=False, positive_dict=False, positive_code=False, method_max_iter=1000)

解决字典学习矩阵分解问题。

通过求解来找到近似数据矩阵 X 的最佳字典和相应的稀疏代码：

(U^*, V^*) = argmin 0.5 || X - U V ||_Fro^2 + alpha * || U ||_1,1
             (U,V)
            with || V_k ||_2 = 1 for all  0 <= k < n_components

其中 V 是字典，U 是稀疏代码。 ||.||_Fro 代表 Frobenius 范数，||.||_1,1 代表entry-wise 矩阵范数，它是矩阵中所有条目的绝对值之和。

在用户指南中阅读更多信息。

参数：

X：ndarray 形状(n_samples，n_features)

数据矩阵。

n_components：int

要提取的字典原子数。

alpha：int

稀疏性控制参数。

max_iter：整数，默认=100

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'

使用的方法：

• 'lars' : 使用最小角度回归法求解套索

  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。

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

热重启方案的字典初始值。仅在 code_init 和 dict_init 不是 None 时使用。

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

热重启场景的稀疏代码的初始值。仅在 code_init 和 dict_init 不是 None 时使用。

callback：可调用，默认=无

每五次迭代调用一次的可调用对象

verbose：布尔，默认=假

控制过程的详细程度。

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

用于随机初始化字典。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。

return_n_iter：布尔，默认=假

是否返回迭代次数。

positive_dict：布尔，默认=假

查找字典时是否强制执行积极性。

positive_code：布尔，默认=假

查找代码时是否强制执行积极性。

method_max_iter：整数，默认=1000

要执行的最大迭代次数。

返回：

code：ndarray 形状(n_samples，n_components)

矩阵分解中的稀疏码因子。

dictionary：ndarray 形状(n_components，n_features)，

矩阵分解中的字典因子。

errors：数组

每次迭代的错误向量。

n_iter：int

运行的迭代次数。仅当 return_n_iter 设置为 True 时返回。