FastICA#

класс sklearn.decomposition.FastICA(n_components=None, *, алгоритм='parallel', whiten='unit-variance', fun='logcosh', fun_args=None, max_iter=200, tol=0.0001, w_init=None, whiten_solver='svd', random_state=None)[источник]#

FastICA: быстрый алгоритм для независимого компонентного анализа.

Реализация основана на [1].

Подробнее в Руководство пользователя.

Параметры:
n_componentsint, default=None

Количество компонентов для использования. Если передано None, используются все.

алгоритм{‘parallel’, ‘deflation’}, по умолчанию=’parallel’

Укажите, какой алгоритм использовать для FastICA.

whitenstr или bool, по умолчанию=’unit-variance’

Укажите стратегию отбеливания для использования.

  • Если ‘arbitrary-variance’, используется отбеливание с произвольной дисперсией.

  • Если 'unit-variance', матрица отбеливания масштабируется так, чтобы каждый восстановленный источник имел единичную дисперсию.

  • Если False, данные уже считаются отбеленными, и отбеливание не выполняется.

Изменено в версии 1.3: Значение по умолчанию для whiten изменено на 'unit-variance' в версии 1.3.

fun{‘logcosh’, ‘exp’, ‘cube’} или вызываемый объект, по умолчанию=’logcosh’

Функциональная форма функции G, используемая в приближении к негативной энтропии. Может быть либо 'logcosh', 'exp', либо 'cube'. Вы также можете предоставить свою собственную функцию. Она должна возвращать кортеж, содержащий значение функции и её производной в точке. Производная должна быть усреднена по её последнему измерению. Пример:

def my_g(x):
    return x ** 3, (3 * x ** 2).mean(axis=-1)
fun_argsdict, по умолчанию=None

Аргументы для передачи в функциональную форму. Если пусто или None и если fun='logcosh', fun_args примет значение {'alpha' : 1.0}.

max_iterint, default=200

Максимальное количество итераций во время обучения.

tolfloat, по умолчанию=1e-4

Положительная скалярная величина, задающая допуск, при котором несмешивающая матрица считается сошедшейся.

w_initarray-like формы (n_components, n_components), по умолчанию=None

Начальный массив для разделения смеси. Если w_init=None, тогда используется массив значений, взятых из нормального распределения.

whiten_solver{“eigh”, “svd”}, по умолчанию=”svd”

Решатель для отбеливания.

  • “svd” является более стабильным численно, если задача вырождена, и часто быстрее, когда n_samples <= n_features.

  • “eigh” обычно более эффективен по памяти, когда n_samples >= n_features, и может быть быстрее, когда n_samples >= 50 * n_features.

Добавлено в версии 1.2.

random_stateint, экземпляр RandomState или None, по умолчанию=None

Используется для инициализации w_init когда не указано, с нормальным распределением. Передайте int для воспроизводимых результатов при множественных вызовах функции. См. Глоссарий.

Атрибуты:
components_ndarray формы (n_components, n_features)

Линейный оператор для применения к данным для получения независимых источников. Это равно матрице разделения, когда whiten равно False, и соответствует np.dot(unmixing_matrix, self.whitening_) когда whiten равно True.

mixing_ndarray формы (n_features, n_components)

Псевдообратная матрица для components_. Это линейный оператор, который отображает независимые источники в данные.

mean_ndarray формы (n_features,)

Среднее по признакам. Устанавливается только если self.whiten равно True.

n_features_in_int

Количество признаков, замеченных во время fit.

Добавлено в версии 0.24.

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.

n_iter_int

Если алгоритм — «дефляция», n_iter — максимальное количество итераций, выполняемых по всем компонентам. В противном случае это просто количество итераций, необходимых для сходимости.

whitening_ndarray формы (n_components, n_features)

Устанавливается только если whiten имеет значение 'True'. Это матрица предварительного отбеливания, которая проецирует данные на первые n_components главные компоненты.

Смотрите также

PCA

Метод главных компонент (PCA).

IncrementalPCA

Инкрементальный анализ главных компонент (IPCA).

KernelPCA

Анализ главных компонент с ядром (KPCA).

MiniBatchSparsePCA

Мини-пакетный разреженный анализ главных компонент.

SparsePCA

Разреженный анализ главных компонент (SparsePCA).

Ссылки

[1]

A. Hyvarinen and E. Oja, Independent Component Analysis: Algorithms and Applications, Neural Networks, 13(4-5), 2000, pp. 411-430.

Примеры

>>> from sklearn.datasets import load_digits
>>> from sklearn.decomposition import FastICA
>>> X, _ = load_digits(return_X_y=True)
>>> transformer = FastICA(n_components=7,
...         random_state=0,
...         whiten='unit-variance')
>>> X_transformed = transformer.fit_transform(X)
>>> X_transformed.shape
(1797, 7)
fit(X, y=None)[источник]#

Обучить модель на X.

Параметры:
Xarray-like формы (n_samples, n_features)

Обучающие данные, где n_samples это количество образцов и n_features это количество признаков.

yИгнорируется

Не используется, присутствует для согласованности API по соглашению.

Возвращает:
selfobject

Возвращает сам экземпляр.

fit_transform(X, y=None)[источник]#

Обучить модель и восстановить источники из X.

Параметры:
Xarray-like формы (n_samples, n_features)

Обучающие данные, где n_samples это количество образцов и n_features это количество признаков.

yИгнорируется

Не используется, присутствует для согласованности API по соглашению.

Возвращает:
X_newndarray формы (n_samples, n_components)

Оцененные источники, полученные путем преобразования данных с помощью оцененной матрицы разделения.

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.

inverse_transform(X, copy=True)[источник]#

Преобразовать источники обратно в смешанные данные (применить матрицу смешивания).

Параметры:
Xarray-like формы (n_samples, n_components)

Источники, где n_samples это количество образцов и n_components это количество компонентов.

copybool, по умолчанию=True

Если False, данные, переданные в fit, перезаписываются. По умолчанию True.

Возвращает:
X_originalndarray формы (n_samples, n_features)

Восстановленные данные, полученные с помощью матрицы смешивания.

set_inverse_transform_request(*, copy: bool | None | str = '$UNCHANGED$') → FastICA[источник]#

Настроить, следует ли запрашивать передачу метаданных в inverse_transform метод.

Обратите внимание, что этот метод актуален только тогда, когда этот оценщик используется как под-оценщик внутри мета-оценщик и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

  • True: запрашиваются метаданные и передаются inverse_transform если предоставлено. Запрос игнорируется, если метаданные не предоставлены.

  • False: метаданные не запрашиваются, и мета-оценщик не передаст их в inverse_transform.

  • None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь предоставит их.

  • str: метаданные должны передаваться мета-оценщику с этим заданным псевдонимом вместо исходного имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменять запрос для некоторых параметров, но не для других.

Добавлено в версии 1.3.

Параметры:
copystr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для copy параметр в inverse_transform.

Возвращает:
selfobject

Обновленный объект.

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.

set_transform_request(*, copy: bool | None | str = '$UNCHANGED$') → FastICA[источник]#

Настроить, следует ли запрашивать передачу метаданных в transform метод.

Обратите внимание, что этот метод актуален только тогда, когда этот оценщик используется как под-оценщик внутри мета-оценщик и маршрутизация метаданных включена с помощью enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Варианты для каждого параметра:

  • True: запрашиваются метаданные и передаются transform если предоставлено. Запрос игнорируется, если метаданные не предоставлены.

  • False: метаданные не запрашиваются, и мета-оценщик не передаст их в transform.

  • None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь предоставит их.

  • str: метаданные должны передаваться мета-оценщику с этим заданным псевдонимом вместо исходного имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменять запрос для некоторых параметров, но не для других.

Добавлено в версии 1.3.

Параметры:
copystr, True, False или None, по умолчанию=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для copy параметр в transform.

Возвращает:
selfobject

Обновленный объект.

преобразовать(X, copy=True)[источник]#

Восстановить источники из X (применить матрицу разделения).

Параметры:
Xarray-like формы (n_samples, n_features)

Данные для преобразования, где n_samples это количество образцов и n_features это количество признаков.

copybool, по умолчанию=True

Если False, данные, переданные в fit, могут быть перезаписаны. По умолчанию True.

Возвращает:
X_newndarray формы (n_samples, n_components)

Оцененные источники, полученные путем преобразования данных с помощью оцененной матрицы разделения.