sklearn.linear_model.orthogonal_mp_gram¶
- sklearn.linear_model.orthogonal_mp_gram()¶
Persecución de coincidencias ortogonales de Gram (OMP).
Resuelve problemas de búsqueda de coincidencias ortogonales de n_targets utilizando sólo la matriz Gram X.T * X y el producto X.T * y.
Más información en el Manual de usuario.
- Parámetros
- Gramndarray de forma (n_features, n_features)
Gram matrix de los datos de entrada: X.T * X.
- Xyndarray de forma (n_features,) o (n_features, n_targets)
Objetivos de entrada multiplicados por X: X.T * y.
- n_nonzero_coefsentero, default=None
Número deseado de entradas distintas de cero en la solución. Si es None (predeterminado) este valor se establece en el 10% de n_features.
- tolflotante, default=None
Máxima norma del residuo. Si no es None, anula n_nonzero_coefs.
- norms_squaredarray-like de forma (n_targets,), default=None
Las normas cuadradas L2 de las líneas de y. Requerido si la tol no es None.
- copy_Grambooleano, default=True
Si la matriz de diseño X debe ser copiada por el algoritmo. Un valor falso sólo es útil si X ya está ordenado por Fortran, de lo contrario se hace una copia de todos modos.
- copy_Xybooleano, default=True
Si el vector de covarianza Xy debe ser copiado por el algoritmo. Si es False, puede ser sobrescrito.
- return_pathbooleano, default=False
Si se devuelve cada valor de los coeficientes no nulos a lo largo de la ruta de avance. Útil para la validación cruzada.
- return_n_iterbooleano, default=False
Si devolver o no el número de iteraciones.
- Devuelve
- coefndarray de forma (n_features,) o (n_features, n_targets)
Coeficientes de la solución OMP. Si
return_path=True, esto contiene la ruta de coeficiente completa. En este caso su forma es (n_features, n_features) o (n_features, n_targets, n_features) e iterando sobre el último eje produce coeficientes en el orden creciente de características activas.- n_itersarray-like o entero
Número de características activas en cada objetivo. Devuelto sólo si
return_n_iteres establecido en True.
Notas
La búsqueda ortogonal de coincidencias se introdujo en G. Mallat, Z. Zhang, Matching pursuits with time-frequency dictionaries, IEEE Transactions on Signal Processing, Vol. 41, No. 12. (diciembre de 1993), pp. 3397-3415. (http://blanche.polytechnique.fr/~mallat/papiers/MallatPursuit93.pdf)
Esta implementación se basa en Rubinstein, R., Zibulevsky, M. y Elad, M., Efficient Implementation of the K-SVD Algorithm using Batch Orthogonal Matching Pursuit Technical Report - CS Technion, April 2008. https://www.cs.technion.ac.il/~ronrubin/Publications/KSVD-OMP-v2.pdf