Python sklearn make_low_rank_matrix用法及代碼示例

本文簡要介紹python語言中 sklearn.datasets.make_low_rank_matrix 的用法。

用法:

sklearn.datasets.make_low_rank_matrix(n_samples=100, n_features=100, *, effective_rank=10, tail_strength=0.5, random_state=None)

生成具有 bell-shaped 奇異值的大部分低秩矩陣。

大多數方差可以用寬度為 effective_rank 的 bell-shaped 曲線來解釋：奇異值分布的低秩部分是：

(1 - tail_strength) * exp(-1.0 * (i / effective_rank) ** 2)

剩下的奇異值的尾巴是肥的，減少為：

tail_strength * exp(-0.1 * i / effective_rank).

輪廓的低秩部分可以被認為是數據的結構化信號部分，而尾部可以被認為是數據的噪聲部分，不能通過少量線性分量(奇異向量)來概括。

這種奇異的輪廓在實踐中很常見，例如：

• 人臉灰度圖片
• TF-IDF 從網絡上抓取的文本文檔向量

在用戶指南中閱讀更多信息。

參數：

n_samples：整數，默認=100

樣本數。

n_features：整數，默認=100

特征的數量。

effective_rank：整數，默認=10

通過線性組合解釋大部分數據所需的奇異向量的近似數量。

tail_strength：浮點數，默認=0.5

奇異值輪廓的胖噪聲尾部的相對重要性。該值應介於 0 和 1 之間。

random_state：int、RandomState 實例或無，默認=無

確定數據集創建的隨機數生成。傳遞 int 以獲得跨多個函數調用的可重現輸出。請參閱詞匯表。

返回：

X：ndarray 形狀(n_samples，n_features)

矩陣。