Python sklearn GaussianRandomProjection用法及代碼示例

本文簡要介紹python語言中 sklearn.random_projection.GaussianRandomProjection 的用法。

用法:

class sklearn.random_projection.GaussianRandomProjection(n_components='auto', *, eps=0.1, random_state=None)

通過高斯隨機投影降低維度。

隨機矩陣的分量取自 N(0, 1 /n_components)。

在用戶指南中閱讀更多信息。

參數：

n_components：int 或 ‘auto’，默認='auto'

目標投影空間的維度。

n_components 可以根據數據集中的樣本數量和Johnson-Lindenstrauss lemma 給出的界限自動調整。在這種情況下，嵌入的質量由eps 參數控製。

應該注意的是，Johnson-Lindenstrauss 引理可以對所需的組件數量產生非常保守的估計，因為它不對數據集的結構做出任何假設。

eps：浮點數，默認=0.1

當n_components 設置為‘auto’ 時，根據Johnson-Lindenstrauss 引理控製嵌入質量的參數。該值應嚴格為正。

較小的值會導致目標投影空間中更好的嵌入和更多的維度(n_components)。

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

控製用於在擬合時間生成投影矩陣的偽隨機數生成器。傳遞 int 以在多個函數調用之間實現可重現的輸出。請參閱術語表。

屬性：

n_components_：int

n_components=”auto”時計算的具體組件數量。

components_：ndarray 形狀(n_components，n_features)

用於投影的隨機矩陣。

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.random_projection import GaussianRandomProjection
>>> rng = np.random.RandomState(42)
>>> X = rng.rand(25, 3000)
>>> transformer = GaussianRandomProjection(random_state=rng)
>>> X_new = transformer.fit_transform(X)
>>> X_new.shape
(25, 2759)