sklearn-AdaBoost

[toc]

PCA 主成分分析

class sklearn.decomposition.PCA(n_components=None,whiten=False,svd_solver='auto')

参数

n_components 指定降维后的维度
whiten是否进行白化操作
svd_solver指定奇异值分解的方法
auto
arpack 使用scipy库中的sparse SVD实现
full 传统意义上的SVD，使用scipy库实现
randomized 一般适用于数据量大维度高，同时主成分数目比例低

属性

n_components_主成分有多少元素
components_主成分数组
explained_variance_ 降维后各主成分的方差值，值越大，对应的主成分越重要
expalined_variance_ratio 降维后各主成分的方差值占总方差值的比例，值越大，对应的主成分越重要

方法

fit(X)在X上训练模型
transform(X)执行降维
fit-tramsform(X)训练模型并降维

KPCA 核化PCA

sklearn.decomposition.KernelPCA(n_components=None,kernel='linear',gamma=None,degree=3,coef0=1,tol=0,max_iter=None,remove_zero_eig=False,n_jobs=1)

参数

gamma 指定poly和rbf的系数，选择其他核函数时，默认特征总数的倒数
degree核函数poly的p值
coef0 核函数为poly``Sigmoid时，指定r值
remove_zero_eig若为True，则所有零特征值的组件都被删除

方法

fit(X)
transform(X)
fit_transform(X)
get_params()获取本轮参数

LDA线性判别分析

sklearn.discriminant_analysis.LinearDiscriminantAnalysis(n_componnents=None,solver='svd',tol=0.0001)

参数

n_components降维后的维度
solver矩阵特征分解采用的方法
svd 奇异值分解
lsqr 最小二乘
eigen 特征分解
tol 用于SVD 求解器中的秩估计的阈值

属性

coef_权重向量
intercept_
covariance_
expalained_variance_ratio_降维后各主成分的方差值占总方差值的比例，越大越重要
means_类别均值
scalings_对各个特征值按类别中心进行缩放
xbar_总体均值
classes_类别标签

方法

fit(X)
transform(X)
fit_transform(X)
predict(X)预测类别
predict_proba(X)
predict_log_proba(X)
score(X,y)返回在测试集(X,y)上的平均准确度

LLE 局部线性嵌入

sklearn.manifold.LocallyLinearEmbedding(n_neighbors=5,n_components=2,method='standard',neighbors_algorithm='auto')

参数

n_neighbors指定每个点要考虑的邻居数量
n_components 指定需要降到的维度
method standard,hessian,modified,ltsa
neighbors_algorithm最近邻搜索算法
auto,brute,kd_tree,ball_tree

方法

fit(X)计算数据集X的嵌入向量
fit_transform(X)计算数据集X的嵌入向量并转换X

---

转载请注明来源，欢迎对文章中的引用来源进行考证，欢迎指出任何有错误或不够清晰的表达。可以在下面评论区评论，也可以邮件至 jaytp@qq.com