orthogonal_mp_gram#

sklearn.linear_model.orthogonal_mp_gram(Грам, Xy, *, n_nonzero_coefs=None, tol=None, norms_squared=None, copy_Gram=True, copy_Xy=True, return_path=False, return_n_iter=False)[источник]#

Грам Ортогональный Поиск Совпадений (OMP).

Решает n_targets задач Ортогонального Преследования Совпадений, используя только матрицу Грама X.T * X и произведение X.T * y.

Подробнее в Руководство пользователя.

Параметры:
Грамarray-like формы (n_features, n_features)

Матрица Грама входных данных: X.T * X.

Xyarray-like формы (n_features,) или (n_features, n_targets)

Входные цели умножены на X: X.T * y.

n_nonzero_coefsint, default=None

Желаемое количество ненулевых элементов в решении. Если None (по умолчанию) это значение установлено на 10% от n_features.

tolfloat, по умолчанию=None

Максимальная квадратичная норма остатка. Если не None, переопределяет n_nonzero_coefs.

norms_squaredмассивоподобный объект формы (n_targets,), по умолчанию=None

Квадраты L2 норм строк y. Обязательно, если tol не является None.

copy_Grambool, по умолчанию=True

Должна ли грамм-матрица копироваться алгоритмом. False значение полезно только если оно уже упорядочено по Фортрану, иначе делается копия.

copy_Xybool, по умолчанию=True

Является ли вектор ковариации Xy должен быть скопирован алгоритмом. Если False, он может быть перезаписан.

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 даёт коэффициенты в порядке возрастания активных признаков.

n_itersсписок или int

Количество активных признаков по всем целям. Возвращается только если return_n_iter установлено в True.

Смотрите также

OrthogonalMatchingPursuit

Модель ортогонального согласованного преследования (OMP).

orthogonal_mp

Решает n_targets задач Ортогонального Сопоставления с Поиском.

lars_path

Вычислить путь регрессии наименьших углов или Lasso с использованием алгоритма LARS.

sklearn.decomposition.sparse_encode

Общее разреженное кодирование. Каждый столбец результата является решением задачи Lasso.

Примечания

Ортогональное согласованное преследование было представлено в G. 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_gram
>>> X, y = make_regression(noise=4, random_state=0)
>>> coef = orthogonal_mp_gram(X.T @ X, X.T @ y)
>>> coef.shape
(100,)
>>> X[:1,] @ coef
array([-78.68])
На этой странице