`sklearn.decomposition`.FastICA¶

class sklearn.decomposition.FastICA¶

FastICA: un algoritmo rápido para el Análisis de Componentes Independientes.

Lee más en el Manual de usuario.

Parámetros

n_componentsint, default=None

Número de componentes a utilizar. Si se pasa None, se utilizan todos.

algorithm{“parallel”, “deflation”}, default=”parallel”

Aplica el algoritmo paralelo o deflacionario para FastICA.

whitenbool, default=True

Si whiten es falso (False), los datos se consideran whitened, y no se realiza ningún whitening.

fun{“logcosh”, “exp”, “cube”} o callable, default=”logcosh”

La forma funcional de la función G utilizada en la aproximación a la neg-entropía. Puede ser “logcosh”, “exp”, o “cube”. También puedes proporcionar tu propia función. Debe devolver una tupla que contenga el valor de la función, y de su derivada, en el punto. Ejemplo:

def my_g(x):
    return x ** 3, (3 * x ** 2).mean(axis=-1)

fun_argsdict, default=None

Argumentos para enviar a la forma funcional. Si está vacío y si fun=”logcosh”, fun_args tomará el valor {“alpha” : 1.0}.

max_iterint, default=200

Número máximo de iteraciones durante el ajuste.

tolfloat, default=1e-4

Tolerancia en la actualización en cada iteración.

w_initndarray de forma (n_components, n_components), default=None

La matriz de mezcla que se utilizará para inicializar el algoritmo.

random_stateentero, instancia de RandomState o None, default=None

Se utiliza para inicializar w_init cuando no se especifica, con una distribución normal. Pasa un número entero (int), para resultados reproducibles a través de múltiples llamadas a la función. Ver Glosario.

Atributos

components_ndarray de forma (n_components, n_features): El operador lineal que se aplica a los datos para obtener las fuentes independientes. Es igual a la matriz de desmezcla cuando whiten es False, e igual a np.dot(unmixing_matrix, self.whitening_) cuando whiten es True.
mixing_ndarray de forma (n_features, n_components): El pseudo-inverso de components_. Es el operador lineal que mapea fuentes independientes a los datos.
mean_ndarray de forma (n_features,): La media sobre las características. Sólo se establece si self.whiten es True.
n_iter_int: Si el algoritmo es de «deflación», n_iter es el número máximo de iteraciones realizadas en todos los componentes. En caso contrario, son sólo el número de iteraciones que se tarda en converger.
whitening_ndarray de forma (n_components, n_features): Sólo se establece si whiten es “True”. Esta es la matriz de pre-whitening que proyecta los datos en los primeros componentes principales n_componentes.

Notas

Implementación basada en A. Hyvarinen y E. Oja, Independent Component Analysis: Algorithms and Applications, Neural Networks, 13(4-5), 2000, pp. 411-430

Ejemplos

>>> 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)

Métodos

`fit`	Ajusta el modelo a X.
`fit_transform`	Ajusta el modelo y recuperar las fuentes de X.
`get_params`	Obtiene los parámetros para este estimador.
`inverse_transform`	Transforma las fuentes de nuevo a los datos mezclados (aplica la matriz de mezcla).
`set_params`	Establece los parámetros de este estimador.
`transform`	Recupera las fuentes de X (aplica la matriz de desmezcla).

fit()¶

Ajusta el modelo a X.

Parámetros

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

Devuelve

self

fit_transform()¶

Ajusta el modelo y recuperar las fuentes de X.

Parámetros

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

Devuelve

X_newndarray de forma (n_samples, n_components)

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.

inverse_transform()¶

Transforma las fuentes de nuevo a los datos mezclados (aplica la matriz de mezcla).

Parámetros

Xarray-like de forma (n_samples, n_components): Fuentes, donde n_samples es el número de muestras y n_components es el número de componentes.
copybool, default=True: Si es False, los datos pasados a fit se sobrescriben. El valor predeterminado es True.

Devuelve

X_newndarray de forma (n_samples, n_features)

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()¶

Recupera las fuentes de X (aplica la matriz de desmezcla).

Parámetros

Xarray-like de forma (n_samples, n_features): Datos a transformar, donde n_samples es el número de muestras y n_features es el número de características.
copybool, default=True: Si es False, los datos pasados a fit se sobrescriben. El valor predeterminado es True.

Devuelve

X_newndarray de forma (n_samples, n_components)