本文主要是介绍[译]sklearn.decomposition.TruncatedSVD，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
class sklearn.decomposition.TruncatedSVD(n_components=2, algorithm=’randomized’, n_iter=5, random_state=None, tol=0.0)
采用阶段奇异值分解SVD降维。
与PCA相比，这种方式再计算SVD之前不指定数据中心。这意味着他可以有效的处理scipy.sparse稀疏矩阵。
特别的， truncated SVD作用于sklearn.feature_extraction.text向量化后返回的 term count/tf-idf矩阵。在这种情况下又被成为LSA（ latent semantic analysis）
这种估计支持两种算法：快速随机SVD；更有效的用ARPACK 作为本征求解的朴素算法。
| Parameters | 数据类型 | 意义 |
|---|---|---|
| n_components | int, default = 2 | 目标输出维度，必须少于特征维数，默认数据是为了可视化；对于LSA推荐100 |
| algorithm | string, default = “randomized” | SVD求解用，arpack或者randomized |
| n_iter | int, optional (default 5) | randomized SVD solver的迭代次数，ARPACK不可用 |
| random_state | int, RandomState instance or None, optional, default = None | int：随机数发生器种子 RandomState instance：random_state是随机数发生器 None：np.random采用的RandomState实例 |
| tol | float, optional | ARPACK的公差 0：machine precision randomized SVD solver忽略 |
| Attributes | 数据类型 | 意义 |
|---|---|---|
| components_ | array, shape (n_components, n_features) | |
| explained_variance_ | array, shape (n_components,) | 公差 |
| explained_variance_ratio_ | array, shape (n_components,) | |
| singular_values_ | array, shape (n_components,) | 每个选定components的奇异值 |
| Method | 意义 |
|---|---|
fit(self, X[, y]) | 通过X拟合LSI |
fit_transform(self, X[, y]) | Fit LSI model to X and perform dimensionality reduction on X. |
get_params(self[, deep]) | Get parameters for this estimator. |
inverse_transform(self, X) | Transform X back to its original space. |
set_params(self, **params) | Set the parameters of this estimator. |
transform(self, X) | Perform dimensionality reduction on X. |
这篇关于[译]sklearn.decomposition.TruncatedSVD的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
