sklearn.decomposition.sparse_encode¶
sklearn.decomposition.sparse_encode(X, dictionary, *, gram=None, cov=None, algorithm='lasso_lars', n_nonzero_coefs=None, alpha=None, copy_cov=True, init=None, max_iter=1000, n_jobs=None, check_input=True, verbose=0, positive=False)[source]
稀疏编码
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 |
|---|---|
| X | array of shape (n_samples, n_features) 数据矩阵 |
| dictionary | array of shape (n_components, n_features) 用于求解数据稀疏编码的字典矩阵。有些算法假设有意义的输出是标准化的行。 |
| gram | array, shape=(n_components, n_components) 预先计算的克矩阵，字典*字典' |
| cov | array, shape=(n_components, n_samples) 预计算协方差，字典' * X |
| algorithm | {‘lasso_lars’, ‘lasso_cd’, ‘lars’, ‘omp’, ‘threshold’} ars: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:将投影字典中所有小于alpha的系数都压缩为零* X ' |
| n_nonzero_coefs | int, 0.1 * n_features by default 在解的每一列中目标的非零系数的数目。这只被算法='lars'和算法='omp'使用，在omp情况下被alpha覆盖。 |
| alpha | float, 1. by default 如果算法='lasso_lars'或算法='lasso_cd'，则alpha是对L1范数的惩罚。如果算法='threshold'， alpha是阈值的绝对值，低于这个阈值，系数将被压缩为零。若算法='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。 |
| copy_cov | boolean, optional 是否复制预计算的协方差矩阵;如果为False，则可能被覆盖。 |
| init | array of shape (n_samples, n_components) 稀疏编码的初始化值。仅当算法='lasso_cd'时使用。 |
| max_iter | int, 1000 by default 如果算法='lasso_cd'或lasso_lars，则执行的最大迭代次数。 |
| n_jobs | int or None, optional (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。 |
| check_input | boolean, optional 如果为假，则不会检查输入数组X和dictionary。 |
| verbose | int, optional 控制冗长;越高，信息越多。默认值为0。 |
| positive | boolean, optional 在寻找编码时是否要加强积极性。 新版本0.20。 |
| 返回值 | 说明 |
|---|---|
| code | array of shape (n_samples, n_components) 稀疏编码 |
另见:
