`sklearn.cross_decomposition`.PLSSVD¶

class sklearn.cross_decomposition.PLSSVD¶

SVD de mínimos cuadrados parciales.

Este transformador simplemente realiza una SVD en la matriz de covarianza cruzada X’Y. Es capaz de proyectar tanto los datos de entrenamiento X como los objetivos Y. Los datos de entrenamiento X se proyectan en los vectores singulares de la izquierda, mientras que los objetivos se proyectan en los vectores singulares de la derecha.

Lea más en el Manual del usuario.

Nuevo en la versión 0.8.

Parámetros

n_componentsint, default=2: El número de componentes a mantener. Debe estar en [1, min(n_samples, n_features, n_targets)].
scalebool, default=True: Si se escala X y Y.
copybool, default=True: Si se copia X y Y en el ajuste antes de aplicar el centrado, y potencialmente el escalado. Si es False, estas operaciones se realizarán in place, modificando ambos arreglos.

Atributos

x_weights_ndarray de forma (n_features, n_components): Los vectores singulares izquierdos de la SVD de la matriz de covarianza cruzada. Se utiliza para proyectar X en transformación.
y_weights_ndarray de (n_targets, n_components): Los vectores singulares derechos de la SVD de la matriz de covarianza cruzada. Se utiliza para proyectar X en transformación.
x_scores_ndarray de forma (n_samples, n_components): Las muestras de entrenamiento transformadas.

Obsoleto desde la versión 0.24: La función x_scores_ está obsoleta en 0.24 y se eliminará en 1.1 (cambio de nombre de 0.26). En su lugar, puedes llamar a transform en los datos de entrenamiento.
y_scores_ndarray de forma (n_samples, n_components): Los objetivos de entrenamiento transformados.

Obsoleto desde la versión 0.24: La función y_scores_ está obsoleta en la versión 0.24 y se eliminará en la 1.1 (cambio de nombre de la versión 0.26). En su lugar, puedes llamar a transformación en los datos de entrenamiento.

Ver también

PLSCanonical
CCA

Ejemplos

>>> 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))

Métodos

`fit`	Ajustar el modelo a los datos.
`fit_transform`	Aprender y aplicar la reducción de dimensionalidad.
`get_params`	Obtiene los parámetros de este estimador.
`set_params`	Establece los parámetros de este estimador.
`transform`	Aplicar la reducción de la dimensionalidad.

fit()¶

Ajustar el modelo a los datos.

Parámetros

Xarray-like de forma (n_samples, n_features): Muestras de entrenamiento.
Yarray-like de forma (n_samples,) o (n_samples, n_targets): Objetivos.

fit_transform()¶

Aprender y aplicar la reducción de dimensionalidad.

Parámetros

Xarray-like de forma (n_samples, n_features): Muestras de entrenamiento.
yarray-like de forma (n_samples,) o (n_samples, n_targets), default=None: Objetivos.

Devuelve

outarray-like o tupla de array-like: Los datos transformados X_tranformed si Y no es None, (X_transformed, Y_transformed) en caso contrario.

get_params()¶

Obtiene los parámetros de este estimador.

Parámetros

deepbool, default=True: Si es True, devolverá los parámetros para este estimador y los subobjetos contenidos que son estimadores.

Devuelve

paramsdict: Los nombres de los parámetros se asignan a sus valores.

set_params()¶

Establece los parámetros de este estimador.

El método funciona tanto con estimadores simples como con objetos anidados (como Pipeline). Estos últimos tienen parámetros de la forma ``<component>__<parameter>` para que sea posible actualizar cada componente de un objeto anidado.

Parámetros

**paramsdict: Parámetros del estimador.

Devuelve

selfinstancia del estimador: Instancia del estimador.

transform()¶

Aplicar la reducción de la dimensionalidad.

Parámetros

Xarray-like de forma (n_samples, n_features): Muestras a transformar.
Yarray-like de forma (n_samples,) o (n_samples, n_targets), default=None: Objetivos.

Devuelve

outarray-like o tupla de array-like: Los datos transformados X_tranformed si Y no es None, (X_transformed, Y_transformed) en caso contrario.