orthogonal_mp#

sklearn.linear_model.orthogonal_mp(X, y, *, n_nonzero_coefs=None, tol=None, precompute=False, copy_X=True, return_path=False, return_n_iter=False)[источник]#

Ортогональный жадный поиск (OMP).

Решает n_targets задач Ортогонального Поиска Совпадений. Экземпляр задачи имеет вид:

При параметризации по количеству ненулевых коэффициентов с использованием n_nonzero_coefs: argmin ||y - Xgamma||^2 subject to ||gamma||_0 <= n_{nonzero coefs}

При параметризации по ошибке с использованием параметра tol: argmin ||gamma||_0 при условии ||y - Xgamma||^2 <= tol

Подробнее в Руководство пользователя.

Параметры:

Xarray-like формы (n_samples, n_features): Входные данные. Предполагается, что столбцы имеют единичную норму.
yndarray формы (n_samples,) или (n_samples, n_targets): Входные целевые значения.
n_nonzero_coefsint, default=None: Желаемое количество ненулевых элементов в решении. Если None (по умолчанию), это значение устанавливается в 10% от n_features.
tolfloat, по умолчанию=None: Максимальная квадратичная норма остатка. Если не None, переопределяет n_nonzero_coefs.
precompute'auto' или bool, по умолчанию=False: Выполнять ли предварительные вычисления. Улучшает производительность, когда n_targets или n_samples очень велико.
copy_Xbool, по умолчанию=True: Должна ли матрица проектирования X копироваться алгоритмом. Значение false полезно только если X уже упорядочена по Фортрану, иначе копия все равно создается.
return_pathbool, по умолчанию=False: Возвращать ли каждое значение ненулевых коэффициентов вдоль прямого пути. Полезно для перекрёстной проверки.
return_n_iterbool, по умолчанию=False: Возвращать или нет количество итераций.

Возвращает:

coefndarray формы (n_features,) или (n_features, n_targets): Коэффициенты решения OMP. Если return_path=True, это содержит весь путь коэффициентов. В этом случае его форма (n_features, n_features) или (n_features, n_targets, n_features), и итерация по последней оси генерирует коэффициенты в порядке возрастания активных признаков.
n_itersarray-like или int: Количество активных признаков по всем целям. Возвращается только если return_n_iter установлено в True.

Смотрите также

OrthogonalMatchingPursuit: Модель ортогонального согласованного преследования (Orthogonal Matching Pursuit).
orthogonal_mp_gram: Решить задачи OMP с использованием матрицы Грама и произведения X.T * y.
lars_path: Вычислить путь регрессии наименьших углов или Lasso с использованием алгоритма LARS.
sklearn.decomposition.sparse_encode: Разреженное кодирование.

Примечания

Ортогональный жадный поиск был представлен в S. Mallat, Z. Zhang, Matching pursuits with time-frequency dictionaries, IEEE Transactions on Signal Processing, Vol. 41, No. 12. (December 1993), pp. 3397-3415. (https://www.di.ens.fr/~mallat/papiers/MallatPursuit93.pdf)

Эта реализация основана на Rubinstein, R., Zibulevsky, M. и Elad, M., Efficient Implementation of the K-SVD Algorithm using Batch Orthogonal Matching Pursuit Technical Report - CS Technion, апрель 2008. https://www.cs.technion.ac.il/~ronrubin/Publications/KSVD-OMP-v2.pdf

Примеры

>>> from sklearn.datasets import make_regression
>>> from sklearn.linear_model import orthogonal_mp
>>> X, y = make_regression(noise=4, random_state=0)
>>> coef = orthogonal_mp(X, y)
>>> coef.shape
(100,)
>>> X[:1,] @ coef
array([-78.68])

orthogonal_mp#

Эта страница