Добавочные ППШ

Я никогда не использовал инкрементный PCA, который существует в sklearn, и я немного запутался в его параметрах и не смог найти хорошее объяснение им.

Я вижу, что в конструкторе есть batch_size, но также, при использовании метода partial_fit Вы можете снова передать только часть ваших данных, я нашел следующий Способ: 

n = df.shape[0]
chunk_size = 100000
iterations = n//chunk_size

ipca = IncrementalPCA(n_components=40, batch_size=1000)

for i in range(0, iterations):
    ipca.partial_fit(df[i*chunk_size : (i+1)*chunk_size].values)

ipca.partial_fit(df[iterations*chunk_size : n].values)

Теперь, чего я не понимаю, так это следующего - при использовании частичной подгонки, играет ли batch_size какую-либо роль вообще или нет? И как они связаны между собой?

Кроме того, если рассматривать оба варианта, как я должен правильно изменить их значения, когда хочу увеличить точность при увеличении объема памяти (и наоборот, уменьшить потребление памяти за счет снижения точности)?

2 2
scikit-learn pca

2 ответа:

Документы говорят:

Batch_size: int или None, (по умолчанию=None) 

The number of samples to use for each batch. Only used when calling fit...

Этот параметр не используется в partial_fit, где размер пакета контролируется пользователем.

Больше пакетов будет увеличиваться потребление памяти, поменьше будет уменьшить его. Это также написано в документах:

Этот алгоритм имеет постоянную сложность памяти, в порядке batch_size, что позволяет использовать np.memmap файлы без загрузки всего файла в память.

Несмотря на некоторые проверки и параметрические эвристики, вся fit-функция выглядит следующим образом: 

for batch in gen_batches(n_samples, self.batch_size_):
    self.partial_fit(X[batch], check_input=False)
2

Вот некоторый инкрементный код PCA, основанный на https://github.com/kevinhughes27/pyIPCA который является реализацией метода CCIPCA.

import scipy.sparse as sp
import numpy as np
from scipy import linalg as la
import scipy.sparse as sps
from sklearn import datasets

class CCIPCA:    
    def __init__(self, n_components, n_features, amnesic=2.0, copy=True):
        self.n_components = n_components
        self.n_features = n_features
        self.copy = copy
        self.amnesic = amnesic
        self.iteration = 0
        self.mean_ = None
        self.components_ = None
        self.mean_ = np.zeros([self.n_features], np.float)
        self.components_ = np.ones((self.n_components,self.n_features)) / \
                           (self.n_features*self.n_components)

    def partial_fit(self, u):
        n = float(self.iteration)
        V = self.components_

        # amnesic learning params
        if n <= int(self.amnesic):
            w1 = float(n+2-1)/float(n+2)    
            w2 = float(1)/float(n+2)    
        else:
            w1 = float(n+2-self.amnesic)/float(n+2)    
            w2 = float(1+self.amnesic)/float(n+2)

        # update mean
        self.mean_ = w1*self.mean_ + w2*u

        # mean center u        
        u = u - self.mean_

        # update components
        for j in range(0,self.n_components):

            if j > n: pass            
            elif j == n: V[j,:] = u
            else:       
                # update the components
                V[j,:] = w1*V[j,:] + w2*np.dot(u,V[j,:])*u / la.norm(V[j,:])
                normedV = V[j,:] / la.norm(V[j,:])
                normedV = normedV.reshape((self.n_features, 1))
                u = u - np.dot(np.dot(u,normedV),normedV.T)

        self.iteration += 1
        self.components_ = V / la.norm(V)

        return

    def post_process(self):        
        self.explained_variance_ratio_ = np.sqrt(np.sum(self.components_**2,axis=1))
        idx = np.argsort(-self.explained_variance_ratio_)
        self.explained_variance_ratio_ = self.explained_variance_ratio_[idx]
        self.components_ = self.components_[idx,:]
        self.explained_variance_ratio_ = (self.explained_variance_ratio_ / \
                                          self.explained_variance_ratio_.sum())
        for r in range(0,self.components_.shape[0]):
            d = np.sqrt(np.dot(self.components_[r,:],self.components_[r,:]))
            self.components_[r,:] /= d

Вы можете проверить это с помощью

Импорт панд как pd, ccipca 

df = pd.read_csv('iris.csv')
df = np.array(df)[:,:4].astype(float)
pca = ccipca.CCIPCA(n_components=2,n_features=4)
S  = 10
print df[0, :]
for i in range(150): pca.partial_fit(df[i, :])
pca.post_process()

Результирующие собственные векторы / значения не будут точно такими же, как пакетный PCA. Результаты приблизительны, но они полезны.

0