PLSSVD#

класс sklearn.cross_decomposition.PLSSVD(n_components=2, *, scale=True, copy=True)[источник]#

Частичный метод наименьших квадратов SVD.

Этот преобразователь просто выполняет SVD на матрице ковариации X'y. Он способен проецировать как обучающие данные X и целевые переменные y. Обучающие данные X проецируется на левые сингулярные векторы, в то время как целевые переменные проецируются на правые сингулярные векторы.

Подробнее в Руководство пользователя.

Добавлено в версии 0.8.

Параметры:

n_componentsint, по умолчанию=2: Количество компонентов для сохранения. Должно быть в [1, min(n_samples, n_features, n_targets)].
scalebool, по умолчанию=True: Масштабировать ли X и y.
copybool, по умолчанию=True: Копировать ли X и y в fit перед применением центрирования и, возможно, масштабирования. Если False, эти операции будут выполнены на месте, изменяя оба массива.

Атрибуты:

x_weights_ndarray формы (n_features, n_components): Левые сингулярные векторы SVD ковариационной матрицы. Используются для проецирования X в transform.
y_weights_ndarray формы (n_targets, n_components): Правые сингулярные векторы SVD ковариационной матрицы. Используются для проецирования X в transform.
n_features_in_int: Количество признаков, замеченных во время fit.
feature_names_in_ndarray формы (n_features_in_,): Имена признаков, наблюдаемых во время fit. Определено только когда X имеет имена признаков, которые все являются строками.

Добавлено в версии 1.0.

Смотрите также

PLSCanonical: Преобразователь и регрессор частичных наименьших квадратов.
CCA: Канонический корреляционный анализ.

Примеры

>>> import numpy as np
>>> from sklearn.cross_decomposition import PLSSVD
>>> X = np.array([[0., 0., 1.],
...               [1., 0., 0.],
...               [2., 2., 2.],
...               [2., 5., 4.]])
>>> y = np.array([[0.1, -0.2],
...               [0.9, 1.1],
...               [6.2, 5.9],
...               [11.9, 12.3]])
>>> pls = PLSSVD(n_components=2).fit(X, y)
>>> X_c, y_c = pls.transform(X, y)
>>> X_c.shape, y_c.shape
((4, 2), (4, 2))

fit(X, y)[источник]#

Обучить модель на данных.

Параметры:

Xarray-like формы (n_samples, n_features): Обучающие выборки.
yмассивоподобный формы (n_samples,) или (n_samples, n_targets): Целевые переменные.

Возвращает:

selfobject: Обученный оценщик.

fit_transform(X, y=None)[источник]#

Изучить и применить уменьшение размерности.

Параметры:

Xarray-like формы (n_samples, n_features): Обучающие выборки.
yмассивоподобный объект формы (n_samples,) или (n_samples, n_targets), по умолчанию=None: Целевые переменные.

Возвращает:

выходarray-like или кортеж из array-like: Преобразованные данные X_transformed if y is not None, (X_transformed, y_transformed) в противном случае.

get_feature_names_out(input_features=None)[источник]#

Получить имена выходных признаков для преобразования.

Имена признаков на выходе будут иметь префикс в виде имени класса в нижнем регистре. Например, если преобразователь выводит 3 признака, то имена признаков на выходе: ["class_name0", "class_name1", "class_name2"].

Параметры:

input_featuresarray-like из str или None, по умолчанию=None: Используется только для проверки имен признаков с именами, встреченными в fit.

Возвращает:

feature_names_outndarray из str объектов: Преобразованные имена признаков.

6332()[источник]#

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Возвращает:

маршрутизацияMetadataRequest: A MetadataRequest Инкапсуляция информации о маршрутизации.

get_params(глубокий=True)[источник]#

Получить параметры для этого оценщика.

Параметры:

глубокийbool, по умолчанию=True: Если True, вернет параметры для этого оценщика и вложенных подобъектов, которые являются оценщиками.

Возвращает:

paramsdict: Имена параметров, сопоставленные с их значениями.

set_output(*, преобразовать=None)[источник]#

Установить контейнер вывода.

См. Введение API set_output для примера использования API.

Параметры:

преобразовать{“default”, “pandas”, “polars”}, по умолчанию=None

Настройка вывода transform и fit_transform.

"default": Формат вывода трансформера по умолчанию
"pandas": DataFrame вывод
"polars": Вывод Polars
None: Конфигурация преобразования не изменена

Добавлено в версии 1.4: "polars" опция была добавлена.

Возвращает:

selfэкземпляр estimator: Экземпляр оценщика.

set_params(**params)[источник]#

Установить параметры этого оценщика.

Метод работает как на простых оценщиках, так и на вложенных объектах (таких как Pipeline). Последние имеют параметры вида __ чтобы можно было обновить каждый компонент вложенного объекта.

Параметры:

**paramsdict: Параметры оценщика.

Возвращает:

selfэкземпляр estimator: Экземпляр оценщика.

преобразовать(X, y=None)[источник]#

Применить понижение размерности.

Параметры:

Xarray-like формы (n_samples, n_features): Образцы для преобразования.
yмассивоподобный объект формы (n_samples,) или (n_samples, n_targets), по умолчанию=None: Целевые переменные.

Возвращает:

x_scoresarray-like или кортеж из array-like: Преобразованные данные X_transformed if y is not None, (X_transformed, y_transformed) в противном случае.

PLSSVD#

Эта страница