Python sklearn sparse_encode用法及代碼示例

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

用法:

sklearn.decomposition.sparse_encode(X, dictionary, *, gram=None, cov=None, algorithm='lasso_lars', n_nonzero_coefs=None, alpha=None, copy_cov=True, init=None, max_iter=1000, n_jobs=None, check_input=True, verbose=0, positive=False)

稀疏編碼

結果的每一行都是稀疏編碼問題的解決方案。目標是找到一個稀疏數組code，這樣：

X ~= code * dictionary

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。

dictionary：ndarray 形狀(n_components，n_features)

用於解決數據稀疏編碼的字典矩陣。一些算法假定規範化的行以獲得有意義的輸出。

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

預先計算的 Gram 矩陣，dictionary * dictionary'。

cov：ndarray 形狀(n_components，n_samples)，默認=None

預先計算的協方差，dictionary' * X。

algorithm：{‘lasso_lars’, ‘lasso_cd’, ‘lars’, ‘omp’, ‘threshold’}，默認='lasso_lars'

使用的算法：

• 'lars'：使用最小角度回歸法(linear_model.lars_path)；
• 'lasso_lars' : 使用 Lars 計算 Lasso 解；
• 'lasso_cd' ：使用坐標下降法計算 Lasso 解(linear_model.Lasso)。 lasso_lars如果估計的組件稀疏，會更快；
• 'omp'：使用正交匹配追蹤估計稀疏解；
• 'threshold' ：將小於投影 dictionary * data' 的正則化的所有係數壓縮為零。

n_nonzero_coefs：整數，默認=無

解的每列中要定位的非零係數的數量。這僅由algorithm='lars' 和algorithm='omp' 使用，並在omp 情況下被alpha 覆蓋。如果 None ，那麽 n_nonzero_coefs=int(n_features / 10) 。

alpha：浮點數，默認=無

如果 algorithm='lasso_lars' 或 algorithm='lasso_cd' ， alpha 是應用於 L1 範數的懲罰。如果 algorithm='threshold' ， alpha 是閾值的絕對值，低於該閾值的係數將被壓縮為零。如果 algorithm='omp' ， alpha 是容差參數：目標重建誤差的值。在這種情況下，它會覆蓋 n_nonzero_coefs 。如果 None ，默認為 1。

copy_cov：布爾，默認=真

是否複製預計算的協方差矩陣；如果 False ，它可能會被覆蓋。

init：ndarray 形狀(n_samples，n_components)，默認=None

稀疏代碼的初始化值。僅在 algorithm='lasso_cd' 時使用。

max_iter：整數，默認=1000

algorithm='lasso_cd' 或 'lasso_lars' 時要執行的最大迭代次數。

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。

check_input：布爾，默認=真

如果 False ，則不會檢查輸入數組 X 和字典。

verbose：整數，默認=0

控製詳細程度；越高，消息越多。

positive：布爾，默認=假

查找編碼時是否強製執行積極性。

返回：

code：ndarray 形狀(n_samples，n_components)

稀疏的代碼