Python sklearn dict_learning_online用法及代碼示例

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

用法:

sklearn.decomposition.dict_learning_online(X, n_components=2, *, alpha=1, n_iter=100, return_code=True, dict_init=None, callback=None, batch_size=3, verbose=False, shuffle=True, n_jobs=None, method='lars', iter_offset=0, random_state=None, return_inner_stats=False, inner_stats=None, return_n_iter=False, positive_dict=False, positive_code=False, method_max_iter=1000)

在線解決字典學習矩陣分解問題。

通過求解來找到近似數據矩陣 X 的最佳字典和相應的稀疏代碼：

(U^*, V^*) = argmin 0.5 || X - U V ||_Fro^2 + alpha * || U ||_1,1
             (U,V)
             with || V_k ||_2 = 1 for all  0 <= k < n_components

其中 V 是字典，U 是稀疏代碼。 ||.||_Fro 代表 Frobenius 範數，||.||_1,1 代表entry-wise 矩陣範數，它是矩陣中所有條目的絕對值之和。這是通過對輸入數據進行切片來重複迭代小批量來實現的。

在用戶指南中閱讀更多信息。

參數：

X：ndarray 形狀(n_samples，n_features)

數據矩陣。

n_components：int 或無，默認=2

要提取的字典原子數。如果無，則 n_components 設置為 n_features 。

alpha：浮點數，默認=1

稀疏性控製參數。

n_iter：整數，默認=100

要執行的小批量迭代次數。

return_code：布爾，默認=真

是否還返回代碼 U 或僅返回字典 V 。

dict_init：ndarray 形狀(n_components，n_features)，默認=None

熱重啟方案的字典初始值。

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

每批中要抽取的樣本數。

verbose：布爾，默認=假

控製過程的詳細程度。

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'

• 'lars' ：使用最小角度回歸方法解決套索問題(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。

iter_offset：整數，默認=0

在用於初始化的字典上完成的先前迭代次數。

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

用於在未指定 dict_init 時初始化字典，在 shuffle 設置為 True 時隨機打亂數據，以及更新字典。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。

return_inner_stats：布爾，默認=假

返回內部統計量 A(字典協方差)和 B(數據近似值)。對於在在線設置中重新啟動算法很有用。如果 return_inner_stats 是 True ，則忽略 return_code。

inner_stats：(A, B) ndarrays 的元組，默認=None

算法保留的內部充分統計信息。在初始化時傳遞它們在在線設置中很有用，以避免丟失進化的曆史。 A (n_components, n_components) 是字典協方差矩陣。 B (n_features, n_components) 是數據近似矩陣。

return_n_iter：布爾，默認=假

是否返回迭代次數。

positive_dict：布爾，默認=假

查找字典時是否強製執行積極性。

positive_code：布爾，默認=假

查找代碼時是否強製執行積極性。

method_max_iter：整數，默認=1000

解決套索問題時要執行的最大迭代次數。

返回：

code：ndarray 形狀(n_samples，n_components)，

稀疏代碼(僅在 return_code=True 時返回)。

dictionary：ndarray 形狀(n_components，n_features)，

字典學習問題的解決方案。

n_iter：int

運行的迭代次數。僅當 return_n_iter 設置為 True 時返回。