sklearn.cross_decomposition.CCA¶

class sklearn.cross_decomposition.CCA(n_components=2, *, scale=True, max_iter=500, tol=1e-06, copy=True)

[源码]

CCA典型相关分析

CCA继承mode=“B”和deflation_mode =“canonical”的PLS。

在用户指南中阅读更多内容。

另见：

• PLSCanonical

• PLSSVD

注

对于每个分量k，找到使max corr（Xk u，Yk v）最大化的权重u，v，使得|u| = |v| = 1

注意，它仅使得分之间的相关性最大化。

X（Xk + 1）块的残差矩阵是通过收缩当前X分数x_score获得的。

Y（Yk + 1）块的残差矩阵是通过收缩当前*Y分数获得的。

参考

Jacob A. Wegelin. A survey of Partial Least Squares (PLS) methods, with emphasis on the two-block case. Technical Report 371, Department of Statistics, University of Washington, Seattle, 2000.

In french but still a reference: Tenenhaus, M. (1998). La regression PLS: theorie et pratique. Paris: Editions Technic.

示例

>>> from sklearn.cross_decomposition import CCA
>>> X = [[0., 0., 1.], [1.,0.,0.], [2.,2.,2.], [3.,5.,4.]]
>>> Y = [[0.1, -0.2], [0.9, 1.1], [6.2, 5.9], [11.9, 12.3]]
>>> cca = CCA(n_components=1)
>>> cca.fit(X, Y)
CCA(n_components=1)
>>> X_c, Y_c = cca.transform(X, Y)

方法

__init__(self, n_components=2, *, scale=True, max_iter=500, tol=1e-06, copy=True)

[源码]

初始化self， 请参阅help(type(self))以获得准确的说明

fit(self, X, Y)

源码

训练数据。

fit_transform(self, X, y=None)

[源码]

在训练集上学习并应用降维

get_params(self, deep=True)

[源码]

获取此估算器的参数。

inverse_transform(self, X)

[源码]

将数据转换回其原始空间。

注

仅当n_components = n_features时，此转换才是精确的

predict(self, X, copy=True)

[源码]

在训练集上学习到的降维应用

注

该调用需要估计p x q矩阵，这在高维空间中可能是个问题。

score(self, X, y, sample_weight=None)

[源码]

返回预测的确定系数R^2。

系数R^2定义为（1- u/v），其中u是平方的残差和（（y_true-y_pred）** 2）.sum（），而v是平方的总和（（y_true- y_true.mean（））** 2）.sum（）。 可能的最高得分为1.0，并且可能为负（因为该模型可能会更差）。 不管输入特征如何，常数模型预测y的期望值，获得的R^2分数将始终是0.0。

注

在回归器上调用score时使用的R2得分使用版本0.23中的multioutput ='uniform_average'来保持与r2_score的默认值一致。 这会影响所有多输出回归器的评分方法（MultiOutputRegressor除外）。

set_params(self, **params) 

[源码]

设置此估算器的参数。

该方法适用于简单的估算器以及嵌套对象（例如管道）。后者具有形式参数<component>__<parameter>，以便可以更新嵌套对象的每个组件。

transform(self, X, Y=None, copy=True)

[源码]

在训练集上学习到的降维应用