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)[Quelle]#

FastICA: Ein schneller Algorithmus für Independent Component Analysis.

Die Implementierung basiert auf [1].

Lesen Sie mehr im Benutzerhandbuch.

Parameter:
n_componentsint, default=None

Anzahl der zu verwendenden Komponenten. Wenn None übergeben wird, werden alle verwendet.

algorithm{‘parallel’, ‘deflation’}, default=’parallel’

Gibt an, welcher Algorithmus für FastICA verwendet werden soll.

whitenstr or bool, default=’unit-variance’

Gibt die zu verwendende Whitening-Strategie an.

  • Wenn ‘arbitrary-variance’, wird ein Whitening mit beliebiger Varianz verwendet.

  • Wenn ‘unit-variance’, wird die Whitening-Matrix so skaliert, dass jede wiederhergestellte Quelle die Einheitsvarianz hat.

  • Wenn False, wird davon ausgegangen, dass die Daten bereits gewhitet sind und es wird kein Whitening durchgeführt.

Geändert in Version 1.3: Der Standardwert von whiten wurde in Version 1.3 auf ‘unit-variance’ geändert.

fun{‘logcosh’, ‘exp’, ‘cube’} or callable, default=’logcosh’

Die funktionale Form der G-Funktion, die bei der Annäherung an die Negentropie verwendet wird. Kann ‘logcosh’, ‘exp’ oder ‘cube’ sein. Sie können auch Ihre eigene Funktion bereitstellen. Sie sollte ein Tupel zurückgeben, das den Wert der Funktion und ihrer Ableitung an diesem Punkt enthält. Die Ableitung sollte entlang ihrer letzten Dimension gemittelt werden. Beispiel

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

Argumente, die an die funktionale Form übergeben werden sollen. Wenn leer oder None und wenn fun=’logcosh’, nimmt fun_args den Wert {‘alpha’ : 1.0} an.

max_iterint, Standard=200

Maximale Anzahl von Iterationen während des Fits.

tolfloat, Standard=1e-4

Eine positive Skalare, die die Toleranz angibt, bei der die entwirrende Matrix als konvergiert betrachtet wird.

w_initarray-like of shape (n_components, n_components), default=None

Ursprüngliche entwirrende Matrix. Wenn w_init=None, wird eine Matrix mit Werten aus einer Normalverteilung verwendet.

whiten_solver{“eigh”, “svd”}, default=”svd”

Der Solver, der für das Whitening verwendet werden soll.

  • „svd“ ist numerisch stabiler, wenn das Problem degeneriert ist, und oft schneller, wenn n_samples <= n_features.

  • „eigh“ ist im Allgemeinen speichereffizienter, wenn n_samples >= n_features, und kann schneller sein, wenn n_samples >= 50 * n_features.

Hinzugefügt in Version 1.2.

random_stateint, RandomState-Instanz oder None, default=None

Wird verwendet, um w_init zu initialisieren, wenn nicht angegeben, mit einer Normalverteilung. Übergeben Sie eine Ganzzahl für reproduzierbare Ergebnisse über mehrere Funktionsaufrufe hinweg. Siehe Glossar.

Attribute:
components_ndarray der Form (n_components, n_features)

Der lineare Operator, der auf die Daten angewendet wird, um die unabhängigen Quellen zu erhalten. Dies entspricht der entwirrenden Matrix, wenn whiten False ist, und entspricht np.dot(unmixing_matrix, self.whitening_), wenn whiten True ist.

mixing_ndarray of shape (n_features, n_components)

Die Pseudoinverse von components_. Es ist der lineare Operator, der unabhängige Quellen auf die Daten abbildet.

mean_ndarray of shape(n_features,)

Der Mittelwert über die Merkmale. Nur gesetzt, wenn self.whiten True ist.

n_features_in_int

Anzahl der während des fits gesehenen Merkmale.

Hinzugefügt in Version 0.24.

feature_names_in_ndarray mit Form (n_features_in_,)

Namen der während fit gesehenen Merkmale. Nur definiert, wenn X Merkmalnamen hat, die alle Zeichenketten sind.

Hinzugefügt in Version 1.0.

n_iter_int

Wenn der Algorithmus „deflation“ ist, ist n_iter die maximale Anzahl von Iterationen, die über alle Komponenten hinweg ausgeführt werden. Andernfalls ist es einfach die Anzahl der Iterationen bis zur Konvergenz.

whitening_ndarray of shape (n_components, n_features)

Nur gesetzt, wenn whiten auf ‘True’ gesetzt ist. Dies ist die Pre-Whitening-Matrix, die die Daten auf die ersten n_components Hauptkomponenten projiziert.

Siehe auch

PCA

Hauptkomponentenanalyse (PCA).

IncrementalPCA

Inkrementelle Hauptkomponentenanalyse (IPCA).

KernelPCA

Kernel Hauptkomponentenanalyse (KPCA).

MiniBatchSparsePCA

Mini-Batch Sparse Principal Components Analysis.

SparsePCA

Sparse Principal Components Analysis (SparsePCA).

Referenzen

[1]

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

Beispiele

>>> 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)[Quelle]#

Passt das Modell an X an.

Parameter:
Xarray-like der Form (n_samples, n_features)

Trainingsdaten, wobei n_samples die Anzahl der Stichproben und n_features die Anzahl der Merkmale ist.

yIgnoriert

Wird nicht verwendet, ist aber aus Gründen der API-Konsistenz per Konvention vorhanden.

Gibt zurück:
selfobject

Gibt die Instanz selbst zurück.

fit_transform(X, y=None)[Quelle]#

Passt das Modell an und stellt die Quellen aus X wieder her.

Parameter:
Xarray-like der Form (n_samples, n_features)

Trainingsdaten, wobei n_samples die Anzahl der Stichproben und n_features die Anzahl der Merkmale ist.

yIgnoriert

Wird nicht verwendet, ist aber aus Gründen der API-Konsistenz per Konvention vorhanden.

Gibt zurück:
X_newndarray der Form (n_samples, n_components)

Geschätzte Quellen, die durch Transformation der Daten mit der geschätzten entwirrenden Matrix erhalten wurden.

get_feature_names_out(input_features=None)[Quelle]#

Holt die Ausgabemerkmale für die Transformation.

Die Feature-Namen werden mit dem kleingeschriebenen Klassennamen präfixiert. Wenn der Transformer z.B. 3 Features ausgibt, dann sind die Feature-Namen: ["klassenname0", "klassenname1", "klassenname2"].

Parameter:
input_featuresarray-like von str oder None, default=None

Wird nur verwendet, um die Feature-Namen mit den in fit gesehenen Namen zu validieren.

Gibt zurück:
feature_names_outndarray von str-Objekten

Transformierte Merkmalnamen.

get_metadata_routing()[Quelle]#

Holt das Metadaten-Routing dieses Objekts.

Bitte prüfen Sie im Benutzerhandbuch, wie der Routing-Mechanismus funktioniert.

Gibt zurück:
routingMetadataRequest

Ein MetadataRequest, der Routing-Informationen kapselt.

get_params(deep=True)[Quelle]#

Holt Parameter für diesen Schätzer.

Parameter:
deepbool, default=True

Wenn True, werden die Parameter für diesen Schätzer und die enthaltenen Unterobjekte, die Schätzer sind, zurückgegeben.

Gibt zurück:
paramsdict

Parameternamen, zugeordnet ihren Werten.

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

Transformiert die Quellen zurück in die gemischten Daten (Anwendung der Mixing-Matrix).

Parameter:
Xarray-ähnlich von der Form (n_samples, n_components)

Quellen, wobei n_samples die Anzahl der Stichproben und n_components die Anzahl der Komponenten ist.

copybool, Standard=True

Wenn False, können die an fit übergebenen Daten überschrieben werden. Standardmäßig True.

Gibt zurück:
X_originalndarray von der Form (n_samples, n_features)

Rekonstruierte Daten, die mit der Mixing-Matrix erhalten wurden.

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

Konfiguriert, ob Metadaten für die Methode inverse_transform angefordert werden sollen.

Beachten Sie, dass diese Methode nur relevant ist, wenn dieser Schätzer als Unter-Schätzer innerhalb eines Meta-Schätzers verwendet wird und Metadaten-Routing mit enable_metadata_routing=True aktiviert ist (siehe sklearn.set_config). Bitte lesen Sie das Benutzerhandbuch, um zu erfahren, wie der Routing-Mechanismus funktioniert.

Die Optionen für jeden Parameter sind

  • True: Metadaten werden angefordert und, falls vorhanden, an inverse_transform übergeben. Die Anfrage wird ignoriert, wenn keine Metadaten vorhanden sind.

  • False: Metadaten werden nicht angefordert und der Meta-Estimator übergibt sie nicht an inverse_transform.

  • None: Metadaten werden nicht angefordert und der Meta-Schätzer löst einen Fehler aus, wenn der Benutzer sie bereitstellt.

  • str: Metadaten sollten mit diesem Alias an den Meta-Schätzer übergeben werden und nicht mit dem ursprünglichen Namen.

Der Standardwert (sklearn.utils.metadata_routing.UNCHANGED) behält die bestehende Anforderung bei. Dies ermöglicht es Ihnen, die Anforderung für einige Parameter zu ändern und für andere nicht.

Hinzugefügt in Version 1.3.

Parameter:
copystr, True, False oder None, Standard=sklearn.utils.metadata_routing.UNCHANGED

Metadaten-Routing für den Parameter copy in inverse_transform.

Gibt zurück:
selfobject

Das aktualisierte Objekt.

set_output(*, transform=None)[Quelle]#

Ausgabecontainer festlegen.

Siehe Einführung in die set_output API für ein Beispiel zur Verwendung der API.

Parameter:
transform{“default”, “pandas”, “polars”}, default=None

Konfiguriert die Ausgabe von transform und fit_transform.

  • "default": Standardausgabeformat eines Transformers

  • "pandas": DataFrame-Ausgabe

  • "polars": Polars-Ausgabe

  • None: Die Transformationskonfiguration bleibt unverändert

Hinzugefügt in Version 1.4: Die Option "polars" wurde hinzugefügt.

Gibt zurück:
selfestimator instance

Schätzer-Instanz.

set_params(**params)[Quelle]#

Setzt die Parameter dieses Schätzers.

Die Methode funktioniert sowohl bei einfachen Schätzern als auch bei verschachtelten Objekten (wie Pipeline). Letztere haben Parameter der Form <component>__<parameter>, so dass es möglich ist, jede Komponente eines verschachtelten Objekts zu aktualisieren.

Parameter:
**paramsdict

Schätzer-Parameter.

Gibt zurück:
selfestimator instance

Schätzer-Instanz.

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

Konfiguriert, ob Metadaten für die transform-Methode angefordert werden sollen.

Beachten Sie, dass diese Methode nur relevant ist, wenn dieser Schätzer als Unter-Schätzer innerhalb eines Meta-Schätzers verwendet wird und Metadaten-Routing mit enable_metadata_routing=True aktiviert ist (siehe sklearn.set_config). Bitte lesen Sie das Benutzerhandbuch, um zu erfahren, wie der Routing-Mechanismus funktioniert.

Die Optionen für jeden Parameter sind

  • True: Metadaten werden angefordert und, falls vorhanden, an transform weitergegeben. Die Anforderung wird ignoriert, wenn keine Metadaten bereitgestellt werden.

  • False: Metadaten werden nicht angefordert und die Meta-Schätzung übergibt sie nicht an transform.

  • None: Metadaten werden nicht angefordert und der Meta-Schätzer löst einen Fehler aus, wenn der Benutzer sie bereitstellt.

  • str: Metadaten sollten mit diesem Alias an den Meta-Schätzer übergeben werden und nicht mit dem ursprünglichen Namen.

Der Standardwert (sklearn.utils.metadata_routing.UNCHANGED) behält die bestehende Anforderung bei. Dies ermöglicht es Ihnen, die Anforderung für einige Parameter zu ändern und für andere nicht.

Hinzugefügt in Version 1.3.

Parameter:
copystr, True, False oder None, Standard=sklearn.utils.metadata_routing.UNCHANGED

Metadaten-Routing für den Parameter copy in transform.

Gibt zurück:
selfobject

Das aktualisierte Objekt.

transform(X, copy=True)[Quelle]#

Stellt die Quellen aus X wieder her (Anwendung der entwirrenden Matrix).

Parameter:
Xarray-like der Form (n_samples, n_features)

Zu transformierende Daten, wobei n_samples die Anzahl der Stichproben und n_features die Anzahl der Merkmale ist.

copybool, Standard=True

Wenn False, können die an fit übergebenen Daten überschrieben werden. Standardmäßig True.

Gibt zurück:
X_newndarray der Form (n_samples, n_components)

Geschätzte Quellen, die durch Transformation der Daten mit der geschätzten entwirrenden Matrix erhalten wurden.