sklearn.decomposition.fastica?
sklearn.decomposition.fastica(X, n_components=None, *, algorithm='parallel', whiten=True, fun='logcosh', fun_args=None, max_iter=200, tol=0.0001, w_init=None, random_state=None, return_X_mean=False, compute_sources=True, return_n_iter=False)
進行快速的獨立成分分析。
在用戶指南中閱讀更多內容
| 參數 | 說明 |
|---|---|
| X | array-like, shape (n_samples, n_features) 訓練向量，其中n_samples為樣本個數，n_features為特征個數。 |
| n_components | int, optional 要提取的成分數量。如果沒有，則不執行降維操作。 |
| algorithm | {‘parallel’, ‘deflation’}, optional 應用平行或傾斜筋膜算法。 |
| whiten | boolean, optional 如果為真，則執行數據的初始增白。如果為假，則假定數據已經進行了預處理:數據應該居中、正規化和白色。否則你會得到不正確的結果。在這種情況下，參數n_components將被忽略。 |
| 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。導數應沿最后一個維數求平均。例子: def my_g (x): 返回x ** 3, np.mean(3 * x ** 2，axis=-1) |
| fun_args | dictionary, optional 要發送到函數形式的參數。如果為空或無，如果fun= ' logcosh '， fun_args將取值{' alpha ': 1.0} |
| max_iter | int, optional 要執行的最大迭代次數。 |
| tol | float, optional 一個給定容差的正標量，在該容差處未混合矩陣被認為是收斂的。 |
| w_init | (n_components, n_components) array, optional 初始解混維數組(n.comp,n.comp)。如果沒有(默認)，那么一個普通r.v數組。使用的。 |
| 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。 |
| return_X_mean | bool, optional 如果為真，也返回X_mean。 |
| compute_sources | bool, optional 如果錯誤，則不計算源，而只計算旋轉矩陣。這可以在處理大數據時節省內存。默認值為True。 |
| return_n_iter | bool, optional 是否返回迭代次數。 |
| 返回值 | 說明 |
|---|---|
| K | array, shape (n_components, n_features) 如果whiten是“真”，K是預白矩陣，它將數據投影到第一個n_components主成分上。如果whiten為False, K為None。 |
| W | array, shape (n_components, n_components) 白化后將數據分解的方陣。混合矩陣是矩陣wk的偽逆如果K不是0，否則它是W的逆。 |
| S | array, shape (n_samples, n_components) 估計源矩陣 |
| X_mean | array, shape (n_features, ) 特征的平均值。僅當return_X_mean為真時返回。 |
| 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要的迭代次數。只有當return_n_iter被設置為 True時才會返回。 |
注意
我們認為數據矩陣X是一個非高斯(獨立)分量的線性組合，即X = AS，其中S的列包含獨立分量，a是一個線性混合矩陣。簡而言之，ICA試圖通過估計一個未混合矩陣W來分解數據(un-mix' the data by estimating an un-mixing matrix W where ``S = W K X.)，其中' ' S = wk X。“雖然FastICA被提議估計的來源和特征一樣多，但通過設置n_components < n_features可以估計得更少。”在這種情況下K不是一個方陣估計的a是w k的偽逆。
這個實現最初是為shape [n_features, n_samples]的數據而設計的。在應用算法之前，輸入被調換了位置。這使得fortran順序輸入的速度稍微快了一些。
Algorithms and Applications, Neural Networks, 13(4-5), 2000, pp. 411-430