Python sklearn FastICA用法及代碼示例

本文簡要介紹python語言中 sklearn.decomposition.FastICA 的用法。

用法:

class sklearn.decomposition.FastICA(n_components=None, *, algorithm='parallel', whiten=True, fun='logcosh', fun_args=None, max_iter=200, tol=0.0001, w_init=None, random_state=None)

FastICA：獨立分量分析的快速算法。

實現基於[1]。

在用戶指南中閱讀更多信息。

參數：

n_components：整數，默認=無

要使用的組件數量。如果沒有通過，則全部使用。

algorithm：{‘parallel’, ‘deflation’}，默認='並行'

對 FastICA 應用並行或通貨緊縮算法。

whiten：布爾，默認=真

如果 whiten 為 false，則認為數據已經白化，不進行白化。

fun：{‘logcosh’, ‘exp’, ‘cube’} 或可調用，默認='logcosh'

用於近似 neg-entropy 的 G 函數的函數形式。可以是‘logcosh’, ‘exp’或‘cube’。您還可以提供自己的函數。它應該返回一個元組，其中包含該點中的函數及其導數的值。例子：

def my_g(x):
    return x ** 3, (3 * x ** 2).mean(axis=-1)

fun_args：字典，默認=無

要發送到函數形式的參數。如果為空並且如果 fun='logcosh'，fun_args 將取值 {‘alpha’: 1.0}。

max_iter：整數，默認=200

擬合期間的最大迭代次數。

tol：浮點數，默認=1e-4

每次迭代的更新容差。

w_init：ndarray 形狀(n_components，n_components)，默認=None

用於初始化算法的混合矩陣。

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

未指定時用於初始化w_init，具有正態分布。傳遞一個 int，以獲得跨多個函數調用的可重現結果。請參閱詞匯表。

屬性：

components_：ndarray 形狀(n_components，n_features)

應用於數據以獲取獨立源的線性算子。當whiten 為假時，這等於解混合矩陣，當whiten 為真時，這等於np.dot(unmixing_matrix, self.whitening_)。

mixing_：ndarray 形狀(n_features，n_components)

components_ 的 pseudo-inverse 。將獨立源映射到數據的是線性算子。

mean_：形狀的ndarray(n_features，)

特征的均值。僅在 self.whiten 為 True 時設置。

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。

n_iter_：int

如果算法是“deflation”，n_iter 是在所有組件上運行的最大迭代次數。否則，它們隻是收斂所需的迭代次數。

whitening_：ndarray 形狀(n_components，n_features)

僅在 whiten 為“True”時設置。這是將數據投影到第一個 n_components 主成分上的預白化矩陣。

參考：

1

A. Hyvarinen 和 E. Oja，獨立分量分析：算法和應用，神經網絡，13(4-5)，2000，第 411-430 頁。

例子：

>>> from sklearn.datasets import load_digits
>>> from sklearn.decomposition import FastICA
>>> X, _ = load_digits(return_X_y=True)
>>> transformer = FastICA(n_components=7,
...         random_state=0)
>>> X_transformed = transformer.fit_transform(X)
>>> X_transformed.shape
(1797, 7)