投影寻踪降维
ppdire的Python项目详细描述
投影寻踪降维
一个scikit学习兼容的python 3包，用于减少投影追踪维度。
这个类实现了一个非常通用的投影追踪框架，允许访问
方法从pp-pca到capi广义betas。
该软件包使用了网格算法[1]，这是数值上最稳定和精确的p p算法。
说明
投影寻踪（pp）为降维和回归提供了一个非常通用的框架。这个
ppdre包提供了一个基于多种投影计算pp估计值的框架
指数
虽然该软件包也可以使用用户定义的投影索引，但是一组投影索引是 作为两个辅助类包含在包中：
dicomo用于（共）矩统计capi专门用于基于协矩的线性组合分析金融市场回报[2]
当使用dicomo类作为插件时，有几种著名的多维降维技术
是可获得的，以及其可靠的替代品。有关详细信息，请参见下面的示例。
备注：
- 这个包中包含的所有方法都是为连续数据设计的。它们不能正确处理分类或文本数据。
- 该软件包专注于投影追踪维度的缩减。涉及降维步骤的回归方法可以通过它访问
（例如PCR，PLS，RCR，…），但是该软件包没有提供投影寻踪回归（PPR）的实现。要访问PPR，请参阅
投影追踪包，也通过PIP分发。
代码与scikitlearn对齐，这样gridsearchcv等模块就可以完美地应用于它。
存储库包含
- 估计器（
ppdre.py） - 估计共矩的类（
dicomo.py） - 共矩分析投影指数类（
capi.py） - 共矩估计的辅助函数（
\u dicomo utils.py）
如何安装
软件包是通过pypi分发的，因此请通过：
pip install ppdire
ppdre类
依赖关系
- 来自<；sklearn.base>；：baseEstimator、transformerMixin、regressorMixin
- 来自<；sklearn.utils>；："基本组成"
- 复制
- <；scipy.stats>；：
- 来自<；scipy.linalg>；：pinv2
- 努比
- from<；statsmodels.regression.quantile_regression>；：数量
- 来自<；sklearn.utils.extmath>；：svd_flip
- 来自<；sprm>；：rm，robcent
- 来自<；sprm.\u m_support_functions>；：myexception
- 警告
参数
投影索引、函数或类。dicomo和capi 包可以同时使用，但用户定义的投影索引可以 被处理pi_arguments，要传递给投影索引的参数的dict.dictn_个组件，要估计的组件的内部数量修剪，浮动。投影索引的修剪百分比，输入为PCT/100alpha，浮点。连续体系数。仅当ppdre用于 估计（经典或稳健）连续回归。ndir，每次迭代要计算的方向数。maxiter，int.最大迭代次数。regopt，可以设置回归步骤y~t.的str.回归选项 要'ols'（默认），'robust'（将运行sprm.rm）或'quantile'（statsmodels.regression.quantreg）。居中，str.如何居中数据。接受的选项是来自sprm.robcent中心数据，布尔。缩放数据，布尔值。注意：如果设置为false，则收敛到最佳 不是给定的。会发出警告。白色数据，布尔。通常用于ica（峰度为pi）平方π，布尔。评估时是否将投影指数平方。- 压缩，bool。如果
true，则使用内部svd压缩步骤 平面数据表（P>；N）。加快计算速度。复制，布尔。是否对输入数据进行深度复制。详细，布尔。设置为true打印迭代号。返回缩放对象，bool。 注意：几个有趣的参数也可以传递给fit方法。
属性
始终提供属性
x_weights:x block ppd加权向量（通常表示为w）x加载：x块ppdre加载向量（通常表示为p）x_分数：x块ppdre分数向量（通常表示为t）x ev：x块解释了每个组件的方差x rweights:x block simples样式的加权向量（通常表示为r）x锁定：x块位置估计x_scau：x块比例估计值临界值：优化目标的评估值向量。maxobjf：包含每个组件的优化目标的向量。
提供多个数据块时创建的属性：
c：响应和潜在变量块之间的内部关系向量coef：回归系数的向量，如果提供第二个数据块截距：截距系数缩放：缩放回归系数的向量（使用缩放选项时）按比例截距：按比例截距残差：回归残差向量y ev：y块解释方差已安装：已安装响应y本地：y位置估计y_scau：y比例估计值
仅当相应的输入标志为 函数接受几个可选的输入参数。这些是旗帜
通常不需要交叉验证。它们是： 运行玩具示例： 源包和数据： 让我们首先运行 投影寻踪作为一种计算主成分分析的缓慢、近似的方法。比较： 同样，投影追踪作为计算pls的一种缓慢、近似的方法。比较： 注：基于潜在变量投影的降维技术，
如pca、pls和ica等，都是与分量相关的不确定符号。
因此，不同算法的估计符号可能是相反的，但是
绝对值应与算法精度相同。这里，这意味着
基于中值绝对偏差（mad）的稳健主成分分析[3]。 基于修剪（co）方差的稳健连续回归[4] 备注：对于rcr，continuum参数 使用
共矩分析投影指数（capi）[2]。 而 但是，如果数据包含几个低比例，压缩将无法正常工作
可变值。在本例中，它不适用于 dicomo和capi都可以作为调用矩的一致框架
它们本身，或它们的线性组合。让我们从
数据： 现在计算一些力矩，并将它们与 同样：共矩 这些只是集合中的一些选项，可以在 欢迎加入QQ群-->： 979659372
true时才创建属性
白化：白化数据矩阵（通常表示为k）混合：混合矩阵估计
缩放对象：从sprm.robcent缩放对象
方法
适合（x，*args，**kwargs）：适合型号预测（x）：根据拟合进行预测
转换（x）：将x投影到潜在空间上
getattr（）：获取属性列表
setattr（*kwargs）：设置SPRM对象的单个属性y，numpy向量或1d矩阵，直接作为arg或作为kwargh，int.覆盖n_components的单个调用fit。小心使用。dmetric，内部使用str.距离度量。默认为'euclidean'混合，布尔。返回混合矩阵？kwargs辅助功能
dicomo（类）：（共-）矩capi（类）：共矩分析投影索引示例
加载和准备数据
# Load data
import pandas as ps
import numpy as np
data = ps.read_csv("./data/Returns_shares.csv")
columns = data.columns[2:8]
(n,p) = data.shape
datav = np.matrix(data.values[:,2:8].astype('float64'))
y = datav[:,0]
X = datav[:,1:5]
# Scale data
from sprm import robcent
centring = robcent()
Xs = centring.fit(X)
pp估计值与scikit learn的比较
ppdre来生成
PCA和PLS。这样可以很容易地验证算法是否正确。 # PCA ex Scikit-Learn
import sklearn.decomposition as skd
skpca = skd.PCA(n_components=4)
skpca.fit(Xs)
skpca.components_.T # sklearn outputs loadings as rows !
# PP-PCA
from ppdire import dicomo, ppdire
pppca = ppdire(projection_index = dicomo, pi_arguments = {'mode' : 'var'}, n_components=4)
pppca.fit(X)
pppca.x_loadings_
# PLS ex Scikit-Learn
skpls = skc.PLSRegression(n_components=4)
skpls.fit(Xs,(y-np.mean(y))/np.std(y))
skpls.x_scores_
skpls.coef_
Xs*skpls.coef_*np.std(y) + np.mean(y)
# PP-PLS
pppls = ppdire(projection_index = dicomo, pi_arguments = {'mode' : 'cov'}, n_components=4, square_pi=True)
pppls.fit(X,y)
pppls.x_scores_
pppls.coef_scaled_ # Column 4 should agree with skpls.coef_
pppls.fitted_
sklearn和ppdre'sx嫒scores嫒u和x嫒loadings可能有相反的迹象，
然而，系数和拟合响应应该是相同的。稳健投影寻踪估计
lcpca = ppdire(projection_index = dicomo, pi_arguments = {'mode' : 'var', 'center': 'median'}, n_components=4)
lcpca.fit(X)
lcpca.x_loadings_
# To extend to Robust PCR, just add y
lcpca.fit(X,y,ndir=1000,regopt='robust')
rcr = ppdire(projection_index = dicomo, pi_arguments = {'mode' : 'continuum'}, n_components=4, trimming=.1, alpha=.5)
rcr.fit(X,y=y,ndir=1000,regopt='robust')
rcr.x_loadings_
rcr.x_scores_
rcr.coef_scaled_
rcr.predict(X)
alpha调整多个
通过PLS（alpha->；0）回归到PCR（alpha=1）。当然,
robust pls选项也可以通过pi_arguments={'mode'：'cov'}，trimming=.1投影寻踪广义betas
from ppdire import capi
est = ppdire(projection_index = capi, pi_arguments = {'max_degree' : 3,'projection_index': dicomo, 'scaling': False}, n_components=1, trimming=0,center_data=True,scale_data=True)
est.fit(X,y=y,ndir=200)
est.x_weights_
# These data aren't the greatest illustration. Evaluating CAPI
# projections, makes more sense if y is a market index, e.g. SPX
通过scikit learn进行交叉验证
from sklearn.model_selection import GridSearchCV
rcr_cv = GridSearchCV(ppdire(projection_index=dicomo,
pi_arguments = {'mode' : 'continuum'}),
cv=10,
param_grid={"n_components": [1, 2, 3],
"alpha": np.arange(.1,3,.3).tolist(),
"trimming": [0, .15]
}
)
rcr_cv.fit(X[:2666],y[:2666])
rcr_cv.best_params_
rcr_cv.predict(X[2666:])
数据压缩
ppdre非常灵活，可以根据非常广泛的种类进行投影
对于投影索引，它可能需要计算。对于平面数据表，
已内置解决方案。 # Load flat data
datan = ps.read_csv("./ppdire/data/Glass_df.csv")
X = datan.values[:,100:300]
y = datan.values[:,2]
# Now compare
rcr = ppdire(projection_index = dicomo,
pi_arguments = {'mode' : 'continuum'},
n_components=4,
trimming=.1,
alpha=.5,
compression = False)
rcr.coef_
rcr = ppdire(projection_index = dicomo,
pi_arguments = {'mode' : 'continuum'},
n_components=4,
trimming=.1,
alpha=.5,
compression = True)
rcr.coef_
x=datan.values[：，8:751]。这个
将发出警告，并且ppdre将在不压缩的情况下继续。独立调用投影索引
0
pip install ppdire
numpy进行比较
1
pip install ppdire
2
pip install ppdire
dicomo参考文献
要做的工作
sklearn
推荐PyPI第三方库
