sklearn.cross_decomposition.CCA?

class sklearn.cross_decomposition.CCA(n_components=2, *, scale=True, max_iter=500, tol=1e-06, copy=True)

[源碼]

CCA典型相關分析

CCA繼承mode=“B”和deflation_mode =“canonical”的PLS。

在用戶指南中閱讀更多內容。

另見：

• PLSCanonical

• PLSSVD

注

對于每個分量k，找到使max corr（Xk u，Yk v）最大化的權重u，v，使得|u| = |v| = 1

注意，它僅使得分之間的相關性最大化。

X（Xk + 1）塊的殘差矩陣是通過收縮當前X分數x_score獲得的。

Y（Yk + 1）塊的殘差矩陣是通過收縮當前*Y分數獲得的。

參考

Jacob A. Wegelin. A survey of Partial Least Squares (PLS) methods, with emphasis on the two-block case. Technical Report 371, Department of Statistics, University of Washington, Seattle, 2000.

In french but still a reference: Tenenhaus, M. (1998). La regression PLS: theorie et pratique. Paris: Editions Technic.

示例

>>> from sklearn.cross_decomposition import CCA
>>> X = [[0., 0., 1.], [1.,0.,0.], [2.,2.,2.], [3.,5.,4.]]
>>> Y = [[0.1, -0.2], [0.9, 1.1], [6.2, 5.9], [11.9, 12.3]]
>>> cca = CCA(n_components=1)
>>> cca.fit(X, Y)
CCA(n_components=1)
>>> X_c, Y_c = cca.transform(X, Y)

方法

__init__(self, n_components=2, *, scale=True, max_iter=500, tol=1e-06, copy=True)

[源碼]

初始化self， 請參閱help(type(self))以獲得準確的說明

fit(self, X, Y)

源碼

訓練數據。

fit_transform(self, X, y=None)

[源碼]

在訓練集上學習并應用降維

get_params(self, deep=True)

[源碼]

獲取此估算器的參數。

inverse_transform(self, X)

[源碼]

將數據轉換回其原始空間。

注

僅當n_components = n_features時，此轉換才是精確的

predict(self, X, copy=True)

[源碼]

在訓練集上學習到的降維應用

注

該調用需要估計p x q矩陣，這在高維空間中可能是個問題。

score(self, X, y, sample_weight=None)

[源碼]

返回預測的確定系數R^2。

系數R^2定義為（1- u/v），其中u是平方的殘差和（（y_true-y_pred）** 2）.sum（），而v是平方的總和（（y_true- y_true.mean（））** 2）.sum（）。 可能的最高得分為1.0，并且可能為負（因為該模型可能會更差）。 不管輸入特征如何，常數模型預測y的期望值，獲得的R^2分數將始終是0.0。

注

在回歸器上調用score時使用的R2得分使用版本0.23中的multioutput ='uniform_average'來保持與r2_score的默認值一致。 這會影響所有多輸出回歸器的評分方法（MultiOutputRegressor除外）。

set_params(self, **params) 

[源碼]

設置此估算器的參數。

該方法適用于簡單的估算器以及嵌套對象（例如管道）。后者具有形式參數<component>__<parameter>，以便可以更新嵌套對象的每個組件。

transform(self, X, Y=None, copy=True)

[源碼]

在訓練集上學習到的降維應用