Python sklearn GaussianRandomProjection用法及代码示例

本文简要介绍python语言中 sklearn.random_projection.GaussianRandomProjection 的用法。

用法:

class sklearn.random_projection.GaussianRandomProjection(n_components='auto', *, eps=0.1, random_state=None)

通过高斯随机投影降低维度。

随机矩阵的分量取自 N(0, 1 /n_components)。

在用户指南中阅读更多信息。

参数：

n_components：int 或 ‘auto’，默认='auto'

目标投影空间的维度。

n_components 可以根据数据集中的样本数量和Johnson-Lindenstrauss lemma 给出的界限自动调整。在这种情况下，嵌入的质量由eps 参数控制。

应该注意的是，Johnson-Lindenstrauss 引理可以对所需的组件数量产生非常保守的估计，因为它不对数据集的结构做出任何假设。

eps：浮点数，默认=0.1

当n_components 设置为‘auto’ 时，根据Johnson-Lindenstrauss 引理控制嵌入质量的参数。该值应严格为正。

较小的值会导致目标投影空间中更好的嵌入和更多的维度(n_components)。

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

控制用于在拟合时间生成投影矩阵的伪随机数生成器。传递 int 以在多个函数调用之间实现可重现的输出。请参阅术语表。

属性：

n_components_：int

n_components=”auto”时计算的具体组件数量。

components_：ndarray 形状(n_components，n_features)

用于投影的随机矩阵。

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.random_projection import GaussianRandomProjection
>>> rng = np.random.RandomState(42)
>>> X = rng.rand(25, 3000)
>>> transformer = GaussianRandomProjection(random_state=rng)
>>> X_new = transformer.fit_transform(X)
>>> X_new.shape
(25, 2759)