`sklearn.decomposition`.DictionaryLearning¶

class sklearn.decomposition.DictionaryLearning¶

Aprendizaje de Diccionario

Encuentra un diccionario (un conjunto de átomos) que puede utilizarse mejor para representar los datos utilizando un código disperso.

Resuelve el problema de optimización:

(U^*,V^*) = argmin 0.5 || X - U V ||_2^2 + alpha * || U ||_1
            (U,V)
            with || V_k ||_2 = 1 for all  0 <= k < n_components

Más información en el Manual de Usuario.

Parámetros

n_componentsint, default=n_features

Número de elementos del diccionario a extraer.

alphafloat, default=1.0

Parámetro de control de la dispersión.

max_iterint, default=1000

Número máximo de iteraciones a realizar.

tolfloat, default=1e-8

Tolerancia al error numérico.

fit_algorithm{“lars”, “cd”}, default=”lars”

'lars': utiliza el método de regresión de ángulo mínimo para resolver el problema de lasso (lars_path);
'cd': utiliza el método de descenso coordinado para calcular la solución Lasso (Lasso). Lars será más rápido si los componentes estimados son dispersos.

Nuevo en la versión 0.17: Método de descenso de coordinado cd para mejorar la velocidad.

transform_algorithm{“lasso_lars”, “lasso_cd”, “lars”, “omp”, “threshold”}, default=”omp”

Algoritmo utilizado para transformar los datos:

'lars': utiliza el método de regresión de ángulo mínimo (lars_path);
'lasso_lars': utiliza Lars para calcular la solución Lasso.
'lasso_cd': utiliza el método de descenso coordinado para calcular la solución Lasso (Lasso). El método «lasso_lars» será más rápido si los componentes estimados son dispersos.
'omp': utiliza la búsqueda de correspondencias ortogonales para estimar la solución dispersa.
'threshold': reduce a cero todos los coeficientes menores que alfa de la proyección dictionary * X'.

Nuevo en la versión 0.17: Método de descenso coordinado lasso_cd para mejorar la velocidad.

transform_n_nonzero_coefsint, default=None

Número de coeficientes distintos de cero para el objetivo en cada columna de la solución. Sólo se utiliza con algorithm='lars' y algorithm='omp' y se anula con alpha en el caso omp. Si None, entonces transform_n_nonzero_coefs=int(n_features / 10).

transform_alphafloat, default=None

Si algorithm='lasso_lars' o `algorithm='lasso_cd', alpha es la penalización aplicada a la norma L1. Si algorithm='threshold', alpha es el valor absoluto del umbral por debajo del cual los coeficientes serán reducidos a cero. Si algorithm='omp', alpha es el parámetro de tolerancia: el valor del error de reconstrucción al que se apunta. En este caso, anula n_nonzero_coefs. Si es None, por defecto es 1.0

n_jobsint o None, default=None

Número de trabajos paralelos a ejecutar. None significa 1 a menos que esté en un contexto joblib.parallel_backend. -1 significa utilizar todos los procesadores. Ver Glosario para más detalles.

code_initndarray de forma (n_samples, n_components), default=None

Valor inicial del código, para el reinicio en caliente.

dict_initndarray de forma (n_components, n_features), default=None

Valores iniciales del diccionario, para el reinicio en caliente.

verbosebool, default=False

Controlar la verbosidad del procedimiento.

split_signbool, default=False

Si se divide el vector de características disperso en la concatenación de su parte negativa y su parte positiva. Esto puede mejorar el rendimiento de los clasificadores posteriores.

random_stateentero, instancia de RandomState o None, default=None

Se utiliza para inicializar el diccionario cuando no se especifica dict_init, barajar los datos aleatoriamente cuando shuffle se establece como True, y actualizar el diccionario. Pasa un número entero (int) para que los resultados sean reproducibles a través de múltiples llamadas a la función. Ver Glosario.

positive_codebool, default=False

Si se debe imponer la positividad al encontrar el código.

Nuevo en la versión 0.20.

positive_dictbool, default=False

Si se impone la positividad al encontrar el diccionario

Nuevo en la versión 0.20.

transform_max_iterint, default=1000

Número máximo de iteraciones a realizar si algoritmo='lasso_cd' o 'lasso_lars'.

Nuevo en la versión 0.22.

Atributos

components_ndarray de forma (n_components, n_features): átomos del diccionario extraídos de los datos
error_arreglo: vector de errores en cada iteración
n_iter_int: Número de iteraciones ejecutadas.

Ver también

SparseCoder
MiniBatchDictionaryLearning
SparsePCA
MiniBatchSparsePCA

Notas

Referencias:

J. Mairal, F. Bach, J. Ponce, G. Sapiro, 2009: Online dictionary learning for sparse coding (https://www.di.ens.fr/sierra/pdfs/icml09.pdf)

Ejemplos

>>> import numpy as np
>>> from sklearn.datasets import make_sparse_coded_signal
>>> from sklearn.decomposition import DictionaryLearning
>>> X, dictionary, code = make_sparse_coded_signal(
...     n_samples=100, n_components=15, n_features=20, n_nonzero_coefs=10,
...     random_state=42,
... )
>>> dict_learner = DictionaryLearning(
...     n_components=15, transform_algorithm='lasso_lars', random_state=42,
... )
>>> X_transformed = dict_learner.fit_transform(X)

Podemos comprobar el nivel de dispersión de X_transformed:

>>> np.mean(X_transformed == 0)
0.88...

Podemos comparar la norma euclidiana al cuadrado promedio del error de reconstrucción de la señal codificada dispersa con respecto a la norma euclidiana al cuadrado de la señal original:

>>> X_hat = X_transformed @ dict_learner.components_
>>> np.mean(np.sum((X_hat - X) ** 2, axis=1) / np.sum(X ** 2, axis=1))
0.07...

Métodos

`fit`	Ajusta el modelo a partir de los datos en X.
`fit_transform`	Ajusta a los datos y luego los transforma.
`get_params`	Obtiene los parámetros para este estimador.
`set_params`	Establece los parámetros de este estimador.
`transform`	Codifica los datos como una combinación dispersa de los átomos del diccionario.

fit()¶

Ajusta el modelo a partir de los datos en X.

Parámetros

Xarray-like de forma (n_samples, n_features): Vector de entrenamiento, donde n_samples es el número de muestras y n_features es el número de características.
yIgnorado

Devuelve

selfobject: Devuelve el mismo objeto.

fit_transform()¶

Ajusta a los datos y luego los transforma.

Ajusta el transformador a X e y con los parámetros opcionales fit_params y devuelve una versión transformada de X.

Parámetros

Xarray-like de forma (n_samples, n_features): Muestras de entrada.
yarray-like de forma (n_samples,) o (n_samples, n_outputs), default=None: Valores objetivo (None para transformaciones no supervisadas).
**fit_paramsdict: Parámetros de ajuste adicionales.

Devuelve

X_newarreglo ndarray de forma (n_samples, n_features_new): Arreglo transformado.

get_params()¶

Obtiene los parámetros para 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 mapeados a sus valores.

set_params()¶

Establece los parámetros de este estimador.

El método funciona tanto en estimadores simples como en 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()¶

Codifica los datos como una combinación dispersa de los átomos del diccionario.

El método de codificación está determinado por el parámetro del objeto transform_algorithm.

Parámetros

Xndarray de forma (n_samples, n_features): Los datos de prueba que se van a transformar, deben tener el mismo número de características que los datos utilizados para entrenar el modelo.

Devuelve

X_newndarray de forma (n_samples, n_components): Datos transformados.