sklearn.decomposition.SparseCoder¶

class sklearn.decomposition.SparseCoder(dictionary, *, transform_algorithm='omp', transform_n_nonzero_coefs=None, transform_alpha=None, split_sign=False, n_jobs=None, positive_code=False, transform_max_iter=1000)

[源码]

稀疏编码

根据固定的、预先计算的字典查找数据的稀疏表示。

结果的每一行都是稀疏编码问题的解决方案。目标是找到一个稀疏数组代码，这样:

X ~= code * dictionary

在用户指南中阅读更多内容

参数	说明
dictionary	array, [n_components, n_features] 用于稀疏编码的字典原子。假设行被归一化为单位范数。
transform_algorithm	{‘lasso_lars’, ‘lasso_cd’, ‘lars’, ‘omp’, ‘threshold’}, default=’omp’ 数据变换算法:lars:使用最小角度回归法(linear_model.lars_path) lasso_lars:使用lars计算Lasso解lasso_cd:使用坐标下降法计算Lasso解(linear_model.Lasso)。如果估计的组件是稀疏的，lasso_lars会更快。omp:使用正交匹配追踪估计稀疏解阈值:将投影字典`dictionary * X'`中所有小于alpha的系数都压缩为零。
transform_n_nonzero_coefs	*int, default=0.1n_features** 在解的每一列中目标的非零系数的数目。这只被`algorithm='lars'`和`algorithm='omp'`使用，在`omp`情况下被`alpha`覆盖。
transform_alpha	float, default=1. 如果`algorithm='lasso_lars'` 或`algorithm='lasso_cd'`，则`alpha`是对`L1`范数的惩罚。如果`algorithm='threshold'`，`alpha`是阈值的绝对值，低于这个阈值，系数将被压缩为零。若`algorithm='omp'`，则`alpha`为容差参数:目标重构误差的值。在本例中，它覆盖`n_nonzero_coefs`。
split_sign	bool, default=False 是否将稀疏特征向量分割为其负部分和正部分的连接。这可以提高下游分类器的性能。
n_jobs	int or None, default=None 要运行的并行作业数量。没有一个是1，除非在`joblib.parallel_backend`上下文。`-1`表示使用所有处理器。参见术语表了解更多细节。
positive_code	bool, default=False 在寻找代码时是否加强积极性。新版本0.20。
transform_max_iter	int, default=1000 如果`algorithm='lasso_cd'` or `lasso_lars`，则执行的最大迭代次数。新版本0.22。

属性	说明
components_	array, [n_components, n_features] 不变的字典原子

另见:

DictionaryLearning
MiniBatchDictionaryLearning
SparsePCA
MiniBatchSparsePCA
sparse_encode

方法	说明
`fit`(X[, y])	什么都不做就返回估算器
`fit_transform`(X[, y])	拟合数据，然后转换它
`get_params`([deep])	获取这个估计器的参数。
`set_params`(**params)	设置这个估计器的参数。
`transform`(X)	将数据编码为字典原子的稀疏组合。

__init__(dictionary, *, transform_algorithm='omp', transform_n_nonzero_coefs=None, transform_alpha=None, split_sign=False, n_jobs=None, positive_code=False, transform_max_iter=1000)

初始化self. See 请参阅help(type(self))以获得准确的说明。

fit(X, y=None)

[源码]

什么都不做就返回估算器

这个方法只是用来实现通常的API，因此可以在管道中工作。

参数	说明
X	Ignored
y	Ignored

返回值	说明
self	object 估计器实例

fit_transform(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。

参数	说明
X	{array-like, sparse matrix, dataframe} of shape (n_samples, n_features)
y	ndarray of shape (n_samples,), default=None 目标值
**fit_params	dict 其他拟合参数。

get_params(deep=True)

[源码]

获取这个估计器的参数。

参数	说明
deep	bool, default=True 如果为True，则将返回此估计器的参数和所包含的作为估计器的子对象。

返回值	说明书
params	mapping of string to any 参数名称映射到它们的值。

set_params(**params)

[源码]

设置这个估计器的参数。

该方法适用于简单估计量和嵌套对象。后者具有形式为<component>_<parameter>的参数，这样就让更新嵌套对象的每个组件成为了可能。

参数	说明
**params	dict 估计器参数。

返回值	说明
self	object 估计器实例

transform(X)

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。

参数	说明
X	array of shape (n_samples, n_features) 要转换的测试数据，必须具有与用于训练模型的数据相同数量的特征。

返回值	说明
X_new	array, shape (n_samples, n_components) 转换的数组

示例sklearn.decomposition.SparseCoder¶

使用预计算字典的稀疏编码 ¶