Python sklearn sparse_encode用法及代码示例

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

用法:

sklearn.decomposition.sparse_encode(X, dictionary, *, gram=None, cov=None, algorithm='lasso_lars', n_nonzero_coefs=None, alpha=None, copy_cov=True, init=None, max_iter=1000, n_jobs=None, check_input=True, verbose=0, positive=False)

稀疏编码

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：

X：ndarray 形状(n_samples，n_features)

数据矩阵。

dictionary：ndarray 形状(n_components，n_features)

用于解决数据稀疏编码的字典矩阵。一些算法假定规范化的行以获得有意义的输出。

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

预先计算的 Gram 矩阵，dictionary * dictionary'。

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

预先计算的协方差，dictionary' * X。

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

使用的算法：

• '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' ：将小于投影 dictionary * data' 的正则化的所有系数压缩为零。

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 n_nonzero_coefs=int(n_features / 10) 。

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。

copy_cov：布尔，默认=真

是否复制预计算的协方差矩阵；如果 False ，它可能会被覆盖。

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

稀疏代码的初始化值。仅在 algorithm='lasso_cd' 时使用。

max_iter：整数，默认=1000

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

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。

check_input：布尔，默认=真

如果 False ，则不会检查输入数组 X 和字典。

verbose：整数，默认=0

控制详细程度；越高，消息越多。

positive：布尔，默认=假

查找编码时是否强制执行积极性。

返回：

code：ndarray 形状(n_samples，n_components)

稀疏的代码