其他分享
首页 > 其他分享> > [译]sklearn.decomposition.TruncatedSVD

[译]sklearn.decomposition.TruncatedSVD

作者:互联网

class sklearn.decomposition.TruncatedSVD(n_components=2, algorithm=’randomized’, n_iter=5, random_state=None, tol=0.0)

采用阶段奇异值分解SVD降维。

与PCA相比,这种方式再计算SVD之前不指定数据中心。这意味着他可以有效的处理scipy.sparse稀疏矩阵。

特别的, truncated SVD作用于sklearn.feature_extraction.text向量化后返回的 term count/tf-idf矩阵。在这种情况下又被成为LSA( latent semantic analysis)

这种估计支持两种算法:快速随机SVD;更有效的用ARPACK 作为本征求解的朴素算法。

Parameters 数据类型 意义
n_components int, default = 2 目标输出维度,必须少于特征维数,默认数据是为了可视化;对于LSA推荐100
algorithm string, default = “randomized” SVD求解用,arpack或者randomized
n_iter int, optional (default 5) randomized SVD solver的迭代次数,ARPACK不可用
random_state int, RandomState instance or None, optional, default = None int:随机数发生器种子
RandomState instance:random_state是随机数发生器
None:np.random采用的RandomState实例
tol float, optional ARPACK的公差
0:machine precision
randomized SVD solver忽略
Attributes 数据类型 意义
components_ array, shape (n_components, n_features)
explained_variance_ array, shape (n_components,) 公差
explained_variance_ratio_ array, shape (n_components,)
singular_values_ array, shape (n_components,) 每个选定components的奇异值
Method 意义
fit(self, X[, y]) 通过X拟合LSI
fit_transform(self, X[, y]) Fit LSI model to X and perform dimensionality reduction on X.
get_params(self[, deep]) Get parameters for this estimator.
inverse_transform(self, X) Transform X back to its original space.
set_params(self, **params) Set the parameters of this estimator.
transform(self, X) Perform dimensionality reduction on X.

标签:None,SVD,random,shape,decomposition,components,TruncatedSVD,self,sklearn
来源: https://blog.csdn.net/The_Time_Runner/article/details/93621908