[译]sklearn.decomposition.TruncatedSVD

• sklearn.decomposition.TruncatedSVD

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

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

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

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.