六、FastICA

  1. FastICA类是scikit-learn提供的FastICA模型，其原型为：

    1. class sklearn.decomposition.FastICA(n_components=None, algorithm=’parallel’, 
    3. whiten=True, fun=’logcosh’, fun_args=None, max_iter=200, tol=0.0001, w_init=None, 
    5. random_state=None)[source]

    • n_components ：一个整数或者None， 指定独立成分的数量。

      如果为None， 则独立成分的数量为 六、FastICA - 图1 （观测样本的特征数）。

    • algorithm：一个字符串，指定求解FastICA 的算法。可以为：

      • 'parallel'
      • 'delfation'

    • whiten：一个布尔值，指定是否执行白化预处理。

      如果为false，则scikit-learn 并不会对数据进行白化预处理。这要求输入数据已经被白化了。

    • fun：一个字符串或者可调用对象，指定非线性函数 六、FastICA - 图2 ，它是 六、FastICA - 图3 的原函数。可以为:

      • 'logcosh'：表示 六、FastICA - 图4 ，此时 六、FastICA - 图5 。
      • exp：表示 六、FastICA - 图6 ，此时 六、FastICA - 图7 。
      • cube：表示 六、FastICA - 图8 ，此时 六、FastICA - 图9 。
      • 一个可调用对象，参数为 六、FastICA - 图10 ，返回值为元组：(函数值，梯度值) 。

    • fun_args：一个字典，用于为fun 提供关键字参数。

      如果fun='logcosh' 且 fun_args 为空，则其默认值为 {'alpha':1.0} 。

    • max_iter： 一个整数，指定最大迭代次数。

    • tol：一个浮点数，指定迭代时的收敛阈值。

    • w_init：一个 (n_componets,n_componets) 形状的数组或者None， 指定了混合矩阵 六、FastICA - 图11 的初始化值。

    • random_state： 一个整数或者一个RandomState实例，或者None。指定随机数种子。

  2. 属性：

    • components_： 一个形状为(n_componets,n_features) 的矩阵，给出了分离矩阵 六、FastICA - 图12 。

    • mixing_： 一个形状为(n_features,n_components) 的矩阵，给出了混合矩阵 六、FastICA - 图13 。

    • n_iter_：一个整数，给出了迭代次数。

      • 如果算法是'deflation'，则它是每个分量上迭代次数的最大值。
      • 否则它是算法收敛时的总迭代次数。

  3. 方法：

    • fit(X[, y])：训练模型。
    • transform(X)：执行独立成分分离，返回独立因子数据集。
    • fit_transform(X[, y])：训练模型并执行独立成分分离，返回独立因子数据集。
    • inverse_transform(X)：执行独立成分分离的逆运算，返回混合之后的观测数据集。