Python sklearn OrthogonalMatchingPursuit用法及代码示例

本文简要介绍python语言中 sklearn.linear_model.OrthogonalMatchingPursuit 的用法。

用法:

class sklearn.linear_model.OrthogonalMatchingPursuit(*, n_nonzero_coefs=None, tol=None, fit_intercept=True, normalize='deprecated', precompute='auto')

正交匹配追踪模型 (OMP)。

在用户指南中阅读更多信息。

参数：

n_nonzero_coefs：整数，默认=无

解决方案中所需的非零条目数。如果 None (默认情况下)此值设置为 n_features 的 10%。

tol：浮点数，默认=无

残差的最大范数。如果不是 None，则覆盖 n_nonzero_coefs。

fit_intercept：布尔，默认=真

是否计算此模型的截距。如果设置为 false，则不会在计算中使用截距(即数据应居中)。

normalize：布尔，默认=真

当 fit_intercept 设置为 False 时忽略此参数。如果为 True，则回归量 X 将在回归前通过减去均值并除以 l2 范数进行归一化。如果您希望标准化，请在使用 normalize=False 对估计器调用 fit 之前使用 StandardScaler 。

precompute：‘auto’ 或布尔值，默认='auto'

是否使用预先计算的 Gram 和 Xy 矩阵来加速计算。当 n_targets 或 n_samples 非常大时提高性能。请注意，如果您已经有这样的矩阵，则可以将它们直接传递给 fit 方法。

属性：

coef_：ndarray 形状 (n_features,) 或 (n_targets, n_features)

参数向量(公式中的 w)。

intercept_：形状的浮点数或 ndarray (n_targets,)

决策函数中的独立项。

n_iter_：int 或类似数组

每个目标的活动特征数。

n_nonzero_coefs_：int

解中非零系数的数量。如果 n_nonzero_coefs 为 None 并且 tol 为 None 此值设置为 n_features 的 10% 或 1，以较大者为准。

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。

注意：

G. Mallat, Z. Zhang, Matching tracking with time-frequency dictionaries, IEEE Transactions on Signal Processing, Vol. 中介绍了正交匹配追踪。 41，第 12 期。(1993 年 12 月)，第 3397-3415 页。 (http://blanche.polytechnique.fr/~mallat/papiers/MallatPursuit93.pdf)

此实现基于 Rubinstein, R.、Zibulevsky, M. 和 Elad, M.，使用批量正交匹配追踪技术报告的 K-SVD 算法的有效实现 - CS Technion，2008 年 4 月。https://www.cs.technion.ac.il/~ronrubin/Publications/KSVD-OMP-v2.pdf

例子：

>>> from sklearn.linear_model import OrthogonalMatchingPursuit
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(noise=4, random_state=0)
>>> reg = OrthogonalMatchingPursuit(normalize=False).fit(X, y)
>>> reg.score(X, y)
0.9991...
>>> reg.predict(X[:1,])
array([-78.3854...])