Python sklearn CCA用法及代碼示例

本文簡要介紹python語言中 sklearn.cross_decomposition.CCA 的用法。

用法:

class sklearn.cross_decomposition.CCA(n_components=2, *, scale=True, max_iter=500, tol=1e-06, copy=True)

典型相關分析，也稱為“Mode B” PLS。

在用戶指南中閱讀更多信息。

參數：

n_components：整數，默認=2

要保留的組件數。應該在 [1, min(n_samples, n_features, n_targets)] 中。

scale：布爾，默認=真

是否縮放 X 和 Y 。

max_iter：整數，默認=500

冪法的最大迭代次數。

tol：浮點數，默認=1e-06

冪法中用作收斂標準的容差：隻要 u_i - u_{i-1} 的平方範數小於 tol ，算法就會停止，其中 u 對應於左奇異向量。

copy：布爾，默認=真

是否在應用居中和可能縮放之前複製 X 和 Y 以適應。如果為 False，這些操作將在原地完成，同時修改兩個數組。

屬性：

x_weights_：ndarray 形狀(n_features，n_components)

每次迭代的交叉協方差矩陣的左奇異向量。

y_weights_：ndarray 形狀(n_targets，n_components)

每次迭代的交叉協方差矩陣的右奇異向量。

x_loadings_：ndarray 形狀(n_features，n_components)

X 的負載。

y_loadings_：ndarray 形狀(n_targets，n_components)

Y 的負載。

x_scores_ndarray 形狀(n_samples，n_components)

屬性 x_scores_ 在版本 0.24 中已棄用。

y_scores_ndarray 形狀(n_samples，n_components)

屬性 y_scores_ 在版本 0.24 中已棄用。

x_rotations_：ndarray 形狀(n_features，n_components)

用於變換 X 的投影矩陣。

y_rotations_：ndarray 形狀(n_features，n_components)

用於變換 Y 的投影矩陣。

coef_：ndarray 形狀(n_features，n_targets)

線性模型的係數，使得 Y 近似為 Y = X @ coef_ 。

n_iter_：形狀列表(n_components，)

每個組件的冪方法的迭代次數。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

例子：

>>> from sklearn.cross_decomposition import CCA
>>> X = [[0., 0., 1.], [1.,0.,0.], [2.,2.,2.], [3.,5.,4.]]
>>> Y = [[0.1, -0.2], [0.9, 1.1], [6.2, 5.9], [11.9, 12.3]]
>>> cca = CCA(n_components=1)
>>> cca.fit(X, Y)
CCA(n_components=1)
>>> X_c, Y_c = cca.transform(X, Y)