Python sklearn OrthogonalMatchingPursuit用法及代碼示例

本文簡要介紹python語言中 sklearn.linear_model.OrthogonalMatchingPursuit 的用法。

用法:

class sklearn.linear_model.OrthogonalMatchingPursuit(*, n_nonzero_coefs=None, tol=None, fit_intercept=True, normalize='deprecated', precompute='auto')

正交匹配追蹤模型 (OMP)。

在用戶指南中閱讀更多信息。

參數：

n_nonzero_coefs：整數，默認=無

解決方案中所需的非零條目數。如果 None (默認情況下)此值設置為 n_features 的 10%。

tol：浮點數，默認=無

殘差的最大範數。如果不是 None，則覆蓋 n_nonzero_coefs。

fit_intercept：布爾，默認=真

是否計算此模型的截距。如果設置為 false，則不會在計算中使用截距(即數據應居中)。

normalize：布爾，默認=真

當 fit_intercept 設置為 False 時忽略此參數。如果為 True，則回歸量 X 將在回歸前通過減去均值並除以 l2 範數進行歸一化。如果您希望標準化，請在使用 normalize=False 對估計器調用 fit 之前使用 StandardScaler 。

precompute：‘auto’ 或布爾值，默認='auto'

是否使用預先計算的 Gram 和 Xy 矩陣來加速計算。當 n_targets 或 n_samples 非常大時提高性能。請注意，如果您已經有這樣的矩陣，則可以將它們直接傳遞給 fit 方法。

屬性：

coef_：ndarray 形狀 (n_features,) 或 (n_targets, n_features)

參數向量(公式中的 w)。

intercept_：形狀的浮點數或 ndarray (n_targets,)

決策函數中的獨立項。

n_iter_：int 或類似數組

每個目標的活動特征數。

n_nonzero_coefs_：int

解中非零係數的數量。如果 n_nonzero_coefs 為 None 並且 tol 為 None 此值設置為 n_features 的 10% 或 1，以較大者為準。

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。

注意：

G. Mallat, Z. Zhang, Matching tracking with time-frequency dictionaries, IEEE Transactions on Signal Processing, Vol. 中介紹了正交匹配追蹤。 41，第 12 期。(1993 年 12 月)，第 3397-3415 頁。 (http://blanche.polytechnique.fr/~mallat/papiers/MallatPursuit93.pdf)

此實現基於 Rubinstein, R.、Zibulevsky, M. 和 Elad, M.，使用批量正交匹配追蹤技術報告的 K-SVD 算法的有效實現 - CS Technion，2008 年 4 月。https://www.cs.technion.ac.il/~ronrubin/Publications/KSVD-OMP-v2.pdf

例子：

>>> from sklearn.linear_model import OrthogonalMatchingPursuit
>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(noise=4, random_state=0)
>>> reg = OrthogonalMatchingPursuit(normalize=False).fit(X, y)
>>> reg.score(X, y)
0.9991...
>>> reg.predict(X[:1,])
array([-78.3854...])