PLSSVD#

class sklearn.cross_decomposition.PLSSVD(n_components=2, *, scale=True, copy=True)[Quelle]#

Partial Least Square SVD.

Dieser Transformer führt einfach eine SVD auf der Kreuzkovarianzmatrix X'y durch. Er ist in der Lage, sowohl die Trainingsdaten X als auch die Ziele y zu projizieren. Die Trainingsdaten X werden auf die linken singulären Vektoren projiziert, während die Ziele auf die rechten singulären Vektoren projiziert werden.

Lesen Sie mehr im Benutzerhandbuch.

Hinzugefügt in Version 0.8.

Parameter:

n_componentsint, Standard=2: Die Anzahl der zu behaltenden Komponenten. Sollte im Bereich [1, min(n_samples, n_features, n_targets)] liegen.
scalebool, Standard=True: Ob X und y skaliert werden sollen.
copybool, Standard=True: Ob X und y vor dem Zentrieren und möglicherweise Skalieren kopiert werden sollen. Wenn False, werden diese Operationen inplace durchgeführt, wodurch beide Arrays modifiziert werden.

Attribute:

x_weights_ndarray von der Form (n_features, n_components): Die linken singulären Vektoren der SVD der Kreuzkovarianzmatrix. Wird verwendet, um X in transform zu projizieren.
y_weights_ndarray von (n_targets, n_components): Die rechten singulären Vektoren der SVD der Kreuzkovarianzmatrix. Wird verwendet, um X in transform zu projizieren.
n_features_in_int: Anzahl der während des fits gesehenen Merkmale.
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.

Siehe auch

PLSCanonical: Partial Least Squares Transformer und Regressor.
CCA: Kanonische Korrelationsanalyse.

Beispiele

>>> import numpy as np
>>> from sklearn.cross_decomposition import PLSSVD
>>> X = np.array([[0., 0., 1.],
...               [1., 0., 0.],
...               [2., 2., 2.],
...               [2., 5., 4.]])
>>> y = np.array([[0.1, -0.2],
...               [0.9, 1.1],
...               [6.2, 5.9],
...               [11.9, 12.3]])
>>> pls = PLSSVD(n_components=2).fit(X, y)
>>> X_c, y_c = pls.transform(X, y)
>>> X_c.shape, y_c.shape
((4, 2), (4, 2))

fit(X, y)[Quelle]#

Modell an Daten anpassen.

Parameter:

Xarray-like der Form (n_samples, n_features): Trainingsstichproben.
yarray-like der Form (n_samples,) oder (n_samples, n_targets): Ziele.

Gibt zurück:

selfobject: Angepasster Schätzer.

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

Lernen und Anwenden der Dimensionsreduktion.

Parameter:

Xarray-like der Form (n_samples, n_features): Trainingsstichproben.
yarray-like von Form (n_samples,) oder (n_samples, n_targets), Standard=None: Ziele.

Gibt zurück:

outarray-like oder Tupel von array-like: Die transformierten Daten X_transformed, wenn y nicht None ist, (X_transformed, y_transformed) andernfalls.

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.

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.

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

Wendet die Dimensionsreduktion an.

Parameter:

Xarray-like der Form (n_samples, n_features): Zu transformierende Stichproben.
yarray-like von Form (n_samples,) oder (n_samples, n_targets), Standard=None: Ziele.

Gibt zurück:

x_scoresarray-like oder Tupel von array-like: Die transformierten Daten X_transformed, wenn y nicht None ist, (X_transformed, y_transformed) andernfalls.

PLSSVD#

Diese Seite