FastICA#
- class sklearn.decomposition.FastICA(n_components=None, *, algorithm='parallel', whiten='unit-variance', fun='logcosh', fun_args=None, max_iter=200, tol=0.0001, w_init=None, whiten_solver='svd', random_state=None)[原始碼]#
FastICA：用於獨立成分分析的快速演算法。
此實作基於 [1]。
請在使用者指南中閱讀更多資訊。
- 參數:
- n_componentsint，預設值=None
要使用的成分數量。如果傳入 None，則使用所有成分。
- algorithm{‘parallel’，‘deflation’}，預設值=‘parallel’
指定要用於 FastICA 的演算法。
- whitenstr 或 bool，預設值=‘unit-variance’
指定要使用的白化策略。
如果為 ‘arbitrary-variance’，則使用具有任意變異數的白化。
如果為 ‘unit-variance’，則會重新調整白化矩陣，以確保每個恢復的來源都具有單位變異數。
如果為 False，則數據已被視為已白化，並且不執行白化。
在 1.3 版本中變更：
whiten的預設值在 1.3 中變更為 ‘unit-variance’。- fun{‘logcosh’，‘exp’，‘cube’} 或可呼叫的物件，預設值=‘logcosh’
用於近似負熵的 G 函數的功能形式。可以是 ‘logcosh’、‘exp’ 或 ‘cube’。您也可以提供自己的函數。它應返回一個元組，其中包含函數的值及其在該點的導數。導數應沿其最後一個維度進行平均。範例
def my_g(x): return x ** 3, (3 * x ** 2).mean(axis=-1)
- fun_argsdict，預設值=None
要發送到函數形式的引數。如果為空或 None 且 fun='logcosh'，則 fun_args 將取值 {‘alpha’ : 1.0}。
- max_iterint，預設值=200
在擬合期間的最大迭代次數。
- tolfloat，預設值=1e-4
一個正純量，表示當取消混合矩陣被認為已收斂時的容錯值。
- w_init形狀類似陣列 (n_components, n_components)，預設值=None
初始取消混合陣列。如果
w_init=None，則使用從常態分佈中提取的值的陣列。- whiten_solver{“eigh”, “svd”}，預設值=“svd”
用於白化的解算器。
如果問題是退化的，則 “svd” 在數值上更穩定，並且當
n_samples <= n_features時通常更快。當
n_samples >= n_features時，“eigh” 通常具有更高的記憶體效率，並且當n_samples >= 50 * n_features時可以更快。
在 1.2 版本中新增。
- random_stateint、RandomState 實例或 None，預設值=None
用於在未指定時，使用常態分佈初始化
w_init。傳遞一個 int，以確保在多次函數呼叫中獲得可重現的結果。請參閱詞彙表。
- 屬性:
- components_形狀為 (n_components, n_features) 的 ndarray
要應用於資料以取得獨立來源的線性運算子。當
whiten為 False 時，這等於取消混合矩陣，並且當whiten為 True 時，這等於np.dot(unmixing_matrix, self.whitening_)。- mixing_形狀為 (n_features, n_components) 的 ndarray
components_的偽反向。它是將獨立來源對應到資料的線性運算子。- mean_形狀為 (n_features,) 的 ndarray
跨功能的平均值。僅當
self.whiten為 True 時才設定。- n_features_in_int
在擬合期間看到的特徵數。
在 0.24 版本中新增。
- feature_names_in_形狀為 (
n_features_in_,) 的 ndarray 在擬合期間看到的特徵名稱。僅當
X具有全部為字串的特徵名稱時才定義。在 1.0 版本中新增。
- n_iter_int
如果演算法為「deflation」，則 n_iter 是跨所有元件執行的最大迭代次數。否則，它們只是收斂所需的迭代次數。
- whitening_形狀為 (n_components, n_features) 的 ndarray
僅當 whiten 為 ‘True’ 時才設定。這是將資料投影到前
n_components個主成分上的預先白化矩陣。
另請參閱
PCA主成分分析 (PCA)。
IncrementalPCA增量主成分分析 (IPCA)。
KernelPCA核心主成分分析 (KPCA)。
MiniBatchSparsePCA小批量稀疏主成分分析。
SparsePCA稀疏主成分分析 (SparsePCA)。
參考文獻
[1]A. Hyvarinen 和 E. Oja，獨立成分分析：演算法與應用，神經網路，13(4-5)，2000，第 411-430 頁。
範例
>>> 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)[原始碼]#
將模型擬合到 X。
- 參數:
- X形狀為 (n_samples, n_features) 的類陣列
訓練資料，其中
n_samples是樣本數，而n_features是特徵數。- y忽略
不使用，為了 API 的一致性而存在。
- 回傳值:
- self物件
回傳實例本身。
- fit_transform(X, y=None)[原始碼]#
擬合模型並從 X 中還原來源。
- 參數:
- X形狀為 (n_samples, n_features) 的類陣列
訓練資料，其中
n_samples是樣本數，而n_features是特徵數。- y忽略
不使用，為了 API 的一致性而存在。
- 回傳值:
- X_new形狀為 (n_samples, n_components) 的 ndarray
透過使用估計的解混矩陣轉換資料所獲得的估計來源。
- get_feature_names_out(input_features=None)[原始碼]#
取得轉換的輸出特徵名稱。
輸出的特徵名稱會加上小寫的類別名稱作為前綴。例如，如果轉換器輸出 3 個特徵，則輸出的特徵名稱為：
["class_name0", "class_name1", "class_name2"]。- 參數:
- input_features字串或 None 的類陣列，預設為 None
僅用於驗證特徵名稱是否與
fit中看到的名稱一致。
- 回傳值:
- feature_names_out字串物件的 ndarray
轉換後的特徵名稱。
- get_metadata_routing()[原始碼]#
取得此物件的中繼資料路由。
請查看 使用者指南 了解路由機制如何運作。
- 回傳值:
- routingMetadataRequest
一個
MetadataRequest，封裝路由資訊。
- get_params(deep=True)[原始碼]#
取得此估算器的參數。
- 參數:
- deepbool，預設為 True
如果為 True，將回傳此估算器以及所包含的子物件（也是估算器）的參數。
- 回傳值:
- paramsdict
參數名稱對應到它們的值。
- inverse_transform(X, copy=True)[原始碼]#
將來源轉換回混合資料（應用混合矩陣）。
- 參數:
- X形狀為 (n_samples, n_components) 的類陣列
來源，其中
n_samples是樣本數，而n_components是成分數。- copybool，預設為 True
如果為 False，則傳遞給 fit 的資料將被覆寫。預設為 True。
- 回傳值:
- X_new形狀為 (n_samples, n_features) 的 ndarray
使用混合矩陣重建的資料。
- set_inverse_transform_request(*, copy: bool | None | str = '$UNCHANGED$') FastICA[原始碼]#
請求傳遞到
inverse_transform方法的中繼資料。請注意，只有在
enable_metadata_routing=True時，此方法才相關（請參閱sklearn.set_config）。請參閱 使用者指南 了解路由機制如何運作。每個參數的選項如下
True：請求中繼資料，並在提供時傳遞給inverse_transform。如果未提供中繼資料，則會忽略請求。False：不請求中繼資料，且元估算器不會將其傳遞給inverse_transform。None：不請求中繼資料，且如果使用者提供中繼資料，元估算器將會引發錯誤。str：中繼資料應使用此給定的別名傳遞至元估算器，而不是原始名稱。
預設值（
sklearn.utils.metadata_routing.UNCHANGED）保留現有的請求。這可讓您變更某些參數的請求，而不會變更其他參數的請求。在 1.3 版中新增。
注意
僅當此估算器用作元估算器的子估算器時，此方法才相關，例如在
Pipeline中使用。否則，它不會產生任何效果。- 參數:
- copystr、True、False 或 None，預設為 sklearn.utils.metadata_routing.UNCHANGED
針對
inverse_transform中的copy參數的中繼資料路由。
- 回傳值:
- self物件
已更新的物件。
- set_output(*, transform=None)[原始碼]#
設定輸出容器。
請參閱 介紹 set_output API 以了解如何使用此 API 的範例。
- 參數:
- transform{“default”, “pandas”, “polars”}, 預設值=None
設定
transform和fit_transform的輸出格式。"default"：轉換器的預設輸出格式"pandas"：DataFrame 輸出"polars"：Polars 輸出None：轉換配置保持不變
在 1.4 版本中新增：新增了
"polars"選項。
- 回傳值:
- self估計器實例
估計器實例。
- set_params(**params)[原始碼]#
設定此估計器的參數。
此方法適用於簡單的估計器以及巢狀物件（例如
Pipeline）。後者具有<component>__<parameter>形式的參數，因此可以更新巢狀物件的每個元件。- 參數:
- **params字典
估計器參數。
- 回傳值:
- self估計器實例
估計器實例。
- set_transform_request(*, copy: bool | None | str = '$UNCHANGED$') FastICA[原始碼]#
請求傳遞至
transform方法的中繼資料。請注意，只有在
enable_metadata_routing=True時，此方法才相關（請參閱sklearn.set_config）。請參閱 使用者指南 了解路由機制如何運作。每個參數的選項如下
True：請求中繼資料，並在提供時傳遞至transform。如果未提供中繼資料，則會忽略請求。False：不請求中繼資料，且 meta-estimator 不會將其傳遞至transform。None：不請求中繼資料，且如果使用者提供中繼資料，元估算器將會引發錯誤。str：中繼資料應使用此給定的別名傳遞至元估算器，而不是原始名稱。
預設值（
sklearn.utils.metadata_routing.UNCHANGED）保留現有的請求。這可讓您變更某些參數的請求，而不會變更其他參數的請求。在 1.3 版中新增。
注意
僅當此估算器用作元估算器的子估算器時，此方法才相關，例如在
Pipeline中使用。否則，它不會產生任何效果。- 參數:
- copystr、True、False 或 None，預設為 sklearn.utils.metadata_routing.UNCHANGED
針對
transform中的copy參數的中繼資料路由。
- 回傳值:
- self物件
已更新的物件。
