Python sklearn MiniBatchSparsePCA用法及代碼示例

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

用法:

class sklearn.decomposition.MiniBatchSparsePCA(n_components=None, *, alpha=1, ridge_alpha=0.01, n_iter=100, callback=None, batch_size=3, verbose=False, shuffle=True, n_jobs=None, method='lars', random_state=None)

小批量稀疏主成分分析。

找到可以優化重構數據的稀疏組件集。稀疏程度可以通過參數 alpha 給出的 L1 懲罰係數來控製。

在用戶指南中閱讀更多信息。

參數：

n_components：整數，默認=無

要提取的稀疏原子數。如果無，則 n_components 設置為 n_features 。

alpha：整數，默認=1

稀疏性控製參數。更高的值會導致更稀疏的組件。

ridge_alpha：浮點數，默認=0.01

調用變換方法時為改善條件而應用的脊收縮量。

n_iter：整數，默認=100

為每個小批量執行的迭代次數。

callback：可調用，默認=無

每五次迭代調用一次的可調用對象。

batch_size：整數，默認=3

每個小批量中要采用的特征數量。

verbose：int 或布爾值，默認=False

控製詳細程度；越高，消息越多。默認為 0。

shuffle：布爾，默認=真

是否在批量拆分數據之前對其進行洗牌。

n_jobs：整數，默認=無

要運行的並行作業數。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有處理器。有關詳細信息，請參閱詞匯表。

method：{‘lars’, ‘cd’}，默認='lars'

用於優化的方法。 lars：使用最小角度回歸法求解lasso問題(linear_model.lars_path) cd：使用坐標下降法計算Lasso解(linear_model.Lasso)。如果估計的組件稀疏，Lars 會更快。

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

用於在線詞典學習期間，當 shuffle 設置為 True 時進行隨機洗牌。傳遞 int 以獲得跨多個函數調用的可重現結果。請參閱術語表。

屬性：

components_：ndarray 形狀(n_components，n_features)

從數據中提取的稀疏分量。

n_components_：int

估計的組件數量。

n_iter_：int

運行的迭代次數。

mean_：ndarray 形狀 (n_features,)

Per-feature 經驗平均值，根據訓練集估計。等於 X.mean(axis=0) 。

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：

>>> import numpy as np
>>> from sklearn.datasets import make_friedman1
>>> from sklearn.decomposition import MiniBatchSparsePCA
>>> X, _ = make_friedman1(n_samples=200, n_features=30, random_state=0)
>>> transformer = MiniBatchSparsePCA(n_components=5, batch_size=50,
...                                  random_state=0)
>>> transformer.fit(X)
MiniBatchSparsePCA(...)
>>> X_transformed = transformer.transform(X)
>>> X_transformed.shape
(200, 5)
>>> # most values in the components_ are zero (sparsity)
>>> np.mean(transformer.components_ == 0)
0.94