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_iter es 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