scipy.cluster.vq.

whiten#

scipy.cluster.vq.whiten(obs, check_finite=None)[источник]#

Нормализовать группу наблюдений на основе каждого признака.

Перед запуском k-means полезно масштабировать каждое измерение признаков набора наблюдений по его стандартному отклонению (т.е. «отбелить» его - как в «белом шуме», где каждая частота имеет равную мощность). Каждый признак делится на своё стандартное отклонение по всем наблюдениям, чтобы придать ему единичную дисперсию.

Параметры:

obsndarray

Каждая строка массива представляет собой наблюдение. Столбцы — это признаки, наблюдаемые в каждом наблюдении:

#        f0  f1  f2
obs = [[ 1., 1., 1.],  #o0
       [ 2., 2., 2.],  #o1
       [ 3., 3., 3.],  #o2
       [ 4., 4., 4.]]  #o3

check_finitebool, необязательно

Проверять ли, что входные матрицы содержат только конечные числа. Отключение может дать прирост производительности, но может привести к проблемам (сбоям, незавершению), если входные данные содержат бесконечности или NaN. По умолчанию: True для активных бэкендов и False для ленивых.

Возвращает:

результатndarray: Содержит значения в obs масштабируется стандартным отклонением каждого столбца.

Примечания

whiten имеет экспериментальную поддержку совместимых с Python Array API Standard бэкендов в дополнение к NumPy. Пожалуйста, рассмотрите тестирование этих функций, установив переменную окружения SCIPY_ARRAY_API=1 и предоставление массивов CuPy, PyTorch, JAX или Dask в качестве аргументов массива. Поддерживаются следующие комбинации бэкенда и устройства (или других возможностей).

Библиотека	CPU	GPU
NumPy	✅	н/д
CuPy	н/д	✅
PyTorch	✅	✅
JAX	✅	✅
Dask	✅	н/д

См. Поддержка стандарта array API для получения дополнительной информации.

Примеры

>>> import numpy as np
>>> from scipy.cluster.vq import whiten
>>> features  = np.array([[1.9, 2.3, 1.7],
...                       [1.5, 2.5, 2.2],
...                       [0.8, 0.6, 1.7,]])
>>> whiten(features)
array([[ 4.17944278,  2.69811351,  7.21248917],
       [ 3.29956009,  2.93273208,  9.33380951],
       [ 1.75976538,  0.7038557 ,  7.21248917]])