scipy.cluster.vq.

whiten#

scipy.cluster.vq.whiten(obs, check_finite=None)[Quelle]#

Normalisiert eine Gruppe von Beobachtungen auf Basis einzelner Merkmale.

Vor dem Ausführen von k-means ist es vorteilhaft, jede Merkmalsdimension der Beobachtungsmengen durch ihre Standardabweichung neu zu skalieren (d.h. sie zu "whitening" - wie bei "weißem Rauschen", bei dem jede Frequenz gleiche Leistung hat). Jedes Merkmal wird durch seine Standardabweichung über alle Beobachtungen geteilt, um ihm eine Einheitsvarianz zu geben.

Parameter:

obsndarray

Jede Zeile des Arrays ist eine Beobachtung. Die Spalten sind die Merkmale, die bei jeder Beobachtung gesehen wurden.

#        f0  f1  f2
obs = [[ 1., 1., 1.],  #o0
       [ 2., 2., 2.],  #o1
       [ 3., 3., 3.],  #o2
       [ 4., 4., 4.]]  #o3

check_finitebool, optional

Ob überprüft werden soll, ob die Eingabematrizen nur endliche Zahlen enthalten. Das Deaktivieren kann die Leistung verbessern, kann aber zu Problemen (Abstürze, Nicht-Terminierung) führen, wenn die Eingaben Unendlichkeiten oder NaNs enthalten. Standard: True für sofortige Backends und False für faule.

Rückgabe:

resultndarray: Enthält die Werte in obs, skaliert durch die Standardabweichung jeder Spalte.

Hinweise

whiten hat experimentelle Unterstützung für Python Array API Standard-kompatible Backends zusätzlich zu NumPy. Bitte erwägen Sie, diese Funktionen zu testen, indem Sie eine Umgebungsvariable SCIPY_ARRAY_API=1 setzen und CuPy-, PyTorch-, JAX- oder Dask-Arrays als Array-Argumente bereitstellen. Die folgenden Kombinationen von Backend und Gerät (oder anderen Fähigkeiten) werden unterstützt.

Bibliothek	CPU	GPU
NumPy	✅	n/a
CuPy	n/a	✅
PyTorch	✅	✅
JAX	✅	✅
Dask	✅	n/a

Siehe Unterstützung für den Array API Standard für weitere Informationen.

Beispiele

>>> import numpy as np
>>> from scipy.cluster.vq import whiten
>>> features  = np.array([[1.9, 2.3, 1.7],
...                       [1.5, 2.5, 2.2],
...                       [0.8, 0.6, 1.7,]])
>>> whiten(features)
array([[ 4.17944278,  2.69811351,  7.21248917],
       [ 3.29956009,  2.93273208,  9.33380951],
       [ 1.75976538,  0.7038557 ,  7.21248917]])