sklearn.decomposition.SparsePCA¶

class sklearn.decomposition.SparsePCA(n_components=None, *, alpha=1, ridge_alpha=0.01, max_iter=1000, tol=1e-08, method='lars', n_jobs=None, U_init=None, V_init=None, verbose=False, random_state=None, normalize_components='deprecated')

[源码]

稀疏主成分分析（SparsePCA）

查找可以最佳地重构数据的稀疏组件集。稀疏程度可通过参数alpha给出的L1惩罚系数来控制。

在用户指南中阅读更多内容。

参数	说明
n_components	int, 要提取的稀疏组件数。
alpha	float, 稀疏控制参数。较高的值会导致组件稀疏。
ridge_alpha	float, 调用transform方法时要应用以改善条件的脊收缩量。
max_iter	int, 要执行的最大迭代次数。
tol	float, 停止条件的容差。
method	{‘lars’, ‘cd’} lars：使用最小角度回归方法来解决套索问题（linear_model.lars_path）cd：使用坐标下降法来计算套索解决方案（linear_model.Lasso）。如果估计的成分稀疏，Lars将更快。
n_jobs	int or None, optional (default=None) 要运行的并行作业数。 `None`除非`joblib.parallel_backend`上下文中，否则表示1 。 `-1`表示使用所有处理器。有关更多详细信息，请参见词汇表。
U_init	array of shape (n_samples, n_components), 热启动方案的负载初始值。
V_init	array of shape (n_components, n_features), 用于热启动方案的组件初始值。
verbose	int 控制详细程度；越高，消息越多。预设为0。
random_state	int, RandomState instance, default=None 在词典学习期间使用。在多个函数调用之间传递int以获得可重复的结果。请参阅词汇表。
normalize_components	‘deprecated’ 此参数没有任何作用。组件总是标准化的。 0.20版中的新功能。自版本0.22起已弃用：`normalize_components`在0.22中已弃用，并将在0.24中删除。

属性	说明
components_	array, [n_components, n_features] 从数据中提取的稀疏成分。
error_	array 每次迭代的误差向量。
n_components_	int 估计的组件数量。 0.23版中的新功能。
n_iter_	int 运行的迭代次数。
mean_	array, shape (n_features,) 根据训练集估算的每特征经验均值。等于`X.mean(axis=0)`。

另见

PCA

MiniBatchSparsePCA

DictionaryLearning

例子

>>> import numpy as np
>>> from sklearn.datasets import make_friedman1
>>> from sklearn.decomposition import SparsePCA
>>> X, _ = make_friedman1(n_samples=200, n_features=30, random_state=0)
>>> transformer = SparsePCA(n_components=5, random_state=0)
>>> transformer.fit(X)
SparsePCA(...)
>>> X_transformed = transformer.transform(X)
>>> X_transformed.shape
(200, 5)
>>> # most values in the components_ are zero (sparsity)
>>> np.mean(transformer.components_ == 0)
0.9666...

方法

方法	说明
`fit`(X[, y])	根据X中的数据拟合模型。
`fit_transform`(X[, y])	拟合数据，然后对其进行转换。
`get_params`([deep])	获取此估计量的参数。
`set_params`(**params)	设置此估算器的参数。
`transform`(X)	数据的最小二乘投影到稀疏分量上。

__init__(n_components=None, *, alpha=1, ridge_alpha=0.01, max_iter=1000, tol=1e-08, method='lars', n_jobs=None, U_init=None, V_init=None, verbose=False, random_state=None, normalize_components='deprecated')

[源码]

初始化self。请参阅help（type（self））获取准确的信息。

fit(X, y=None)

[源码]

根据X中的数据拟合模型。

参数	说明
X	array-like, shape (n_samples, n_features) 训练向量，其中样本数量n_samples个，特征数量n_features个。
y	Ignored

参数	说明
self	object 返回实例本身。

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

[源码]

拟合数据，然后对其进行转换。

使用可选参数fit_params将转换器拟合到X和y，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。

返回值	说明
X_new	ndarray array of shape (n_samples, n_features_new) 转换后的数组。

get_params(deep=True)

[源码]

获取此估计器的参数。

参数	说明
deep	bool, default=True 如果为True，则将返回此估算器和其所包含子对象的参数。

参数	说明
params	mapping of string to any 参数名称映射到其值。

set_params(**params)

[源码]

设置此估算器的参数。

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

参数	说明
**params	dict 估算器参数。

返回值	说明
self	object 估算器实例。

transform（X ）

[源码]

数据的最小二乘投影到稀疏分量上。

为了避免在系统不确定的情况下出现不稳定问题，可以通过ridge_alpha参数进行正则化（Ridge回归）。

请注意，稀疏PCA组件的正交性不像PCA中那样强制，因此不能使用简单的线性投影。

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) 转换后的数据。