sklearn.decomposition.FastICA?

class sklearn.decomposition.FastICA(n_components=None, *, algorithm='parallel', whiten=True, fun='logcosh', fun_args=None, max_iter=200, tol=0.0001, w_init=None, random_state=None)

[源碼]

FastICA:獨立分量分析的快速算法。

在用戶指南中閱讀更多內容。

參數 說明
n_components int, optional
要使用的樣本數量。如果沒有傳遞，則使用全部。
algorithm {‘parallel’, ‘deflation’}
應用平行或偏轉算法。
whiten boolean, optional
如果白化為假，則認為該數據已經被白化，并且不執行白化。
fun string or function, optional. Default: ‘logcosh’
用來近似負熵的G函數的函數形式。可以是' logcosh ' ' exp '或' cube '您還可以提供自己的功能。它應該返回一個元組，其中包含函數的值及其在點中的導數。例子:

def my_g (x):
return x ** 3， (3 * x ** 2).mean(axis=-1)
fun_args dictionary, optional
要發送到函數形式的參數。如果為空，如果fun= ' logcosh '， fun_args將取值{' alpha ': 1.0}。
max_iter int, optional
fit期間的最大迭代次數。
tol float, optional
對每次迭代更新的容忍度。
w_init None of an (n_components, n_components) ndarray
混合矩陣用于初始化算法。
random_state int, RandomState instance, default=None
用于初始化未指定的w_init，使用正態分布。傳遞一個int，以便在多個函數調用中得到可重復的結果。詳見術語表。
屬性 說明
components_ 2D array, shape (n_components, n_features)
將線性算子應用于數據得到獨立的源。它等于解混矩陣當白化為假時，等于np。當白化為真時，點(unmixing_matrix, self。whitening_)。
mixing_ array, shape (n_features, n_components)
components_的偽逆。它是將獨立的源映射到數據的線性操作符。
mean_ array, shape(n_features)
特征的平均值。只有當self時才設置。白化是正確的。
n_iter_ int
如果算法是“通縮”，n_iter是在所有組件上運行的最大迭代次數。否則它們就是收斂所需的迭代次數。
whitening_ array, shape (n_components, n_features)
只有在白化為“真”時才設置。這是將數據投影到第一個n_components主成分上的預白化矩陣。

注意

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

示例

>>> 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)
>>> X_transformed = transformer.fit_transform(X)
>>> X_transformed.shape
(1797, 7)

方法

方法 說明
fit(self, X[, y]) 將模型擬合到X。
fit_transform(self, X[, y]) 擬合模型并從X中恢復源。
get_params(self[, deep]) 獲取這個估計器的參數。
inverse_transform(self, X[, copy]) 設置這個估計器的參數。
set_params(self, **params) Set the parameters of this estimator.
transform(self, X[, copy]) 從X中恢復源(應用分離矩陣)。 
__init__(self, n_components=None, *, algorithm='parallel', whiten=True, fun='logcosh', fun_args=None, max_iter=200, tol=0.0001, w_init=None, random_state=None)[source]

[源碼]

初始化self. See 請參閱help(type(self))以獲得準確的說明。

fit(self, X, y=None)

[源碼]

將模型擬合到X。

參數 說明
X array-like, shape (n_samples, n_features)
訓練數據，其中n_samples為樣本數量，n_features為特征數量。
y Ignored
返回值
self 
fit_transform(self, X, y=None)

[源碼]

擬合模型并從X中恢復源。

參數 說明
X array-like, shape (n_samples, n_features)
訓練數據，其中n_samples為樣本數量，n_features為特征數量。
y Ignored
返回值 說明
X_new array-like, shape (n_samples, n_components) 
inverse_transform(self, X, copy=True)

[源碼]

將源轉換回混合數據(應用混合矩陣)。

參數 說明
X array-like, shape (n_samples, n_features)
其中n_samples是樣本的數量，n_components是組件的數量。
copy bool (optional)
如果為False，傳遞給fit的數據將被覆蓋。默認值為True。
返回值 說明
X_new array-like, shape (n_samples, n_features) 
set_params(self, **params)

[源碼]

設置這個估計器的參數。

該方法適用于簡單估計器和嵌套對象(如管道)。后者具有形式為 <component>__<parameter> 的參數，這樣就可以更新嵌套對象的每個樣本。

參數 說明
**params dict
估計參數
返回值 說明
self object：
估計距離		 
transform(self, X, copy=True)

[源碼]

從X中恢復源(應用分離矩陣)。

參數 說明
X array-like, shape (n_samples, n_features)
其中n_samples是樣本的數量，n_components是組件的數量。
copy bool (optional)
如果為False，傳遞給fit的數據將被覆蓋。默認值為True。