sklearn.decomposition.MiniBatchDictionaryLearning¶

class sklearn.decomposition.MiniBatchDictionaryLearning(n_components=None, *, alpha=1, n_iter=1000, fit_algorithm='lars', n_jobs=None, batch_size=3, shuffle=True, dict_init=None, transform_algorithm='omp', transform_n_nonzero_coefs=None, transform_alpha=None, verbose=False, split_sign=False, random_state=None, positive_code=False, positive_dict=False, transform_max_iter=1000)

[源码]

Mini-batch字典学习

找到能用稀疏代码表示数据的字典(一组原子)。

解决优化问题:

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

在用户指南中阅读更多内容

另见:

• SparseCoder
• DictionaryLearning
• SparsePCA
• MiniBatchSparsePCA

笔记

参考文献

J. Mairal, F. Bach, J. Ponce, G. Sapiro, 2009: Online dictionary learning for sparse coding (https://www.di.ens.fr/sierra/pdfs/icml09.pdf)

方法

__init__(n_components=None, *, alpha=1, n_iter=1000, fit_algorithm='lars', n_jobs=None, batch_size=3, shuffle=True, dict_init=None, transform_algorithm='omp', transform_n_nonzero_coefs=None, transform_alpha=None, verbose=False, split_sign=False, random_state=None, positive_code=False, positive_dict=False, transform_max_iter=1000)

[源码]

该方法适用于简单估计器和嵌套对象(如管道)。后者具有形式为__的参数，这样就可以更新嵌套对象的每个样本。

fit(self, X, y=None)

[源码]

根据X中的数据拟合模型。

fit_transform(*self*, *X*, *y=None*, ***fit_params*)

[源码]

拟合数据，然后转换它。

使用可选参数fit_params将transformer与X和y匹配，并返回X的转换版本。

get_params(self, deep=True)

[源码]

获取这个估计器的参数。

`partial_fit`(self, X, y=None, iter_offset=None)

[源码]

使用X中的数据作为一个mini-batch更新模型。

set_params(self, params)

[源码]

设置这个估计器的参数。

该方法适用于简单估计器和嵌套对象(如管道)。后者具有形式为__的参数，这样就可以更新嵌套对象的每个样本。

transform(self, X)

[源码]

将数据编码为字典原子的稀疏组合。

编码方法由对象参数transform_algorithm决定。