skfeature.function.sparse_learning_based.ls_l21

 
Modules
       
numpy.linalg
math
numpy

 
Functions
       
init_factor(W_norm, XW, Y, z)
Initialize the starting point of W, according to the author's code
proximal_gradient_descent(X, Y, z, **kwargs)
This function implements supervised sparse feature selection via l2,1 norm, i.e.,
min_{W} ||XW-Y||_F^2 + z*||W||_{2,1}
 
Input
-----
X: {numpy array}, shape (n_samples, n_features)
    input data, guaranteed to be a numpy array
Y: {numpy array}, shape (n_samples, n_classes)
    input class labels, each row is a one-hot-coding class label
z: {float}
    regularization parameter
kwargs: {dictionary}
    verbose: {boolean}
        True if user want to print out the objective function value in each iteration, false if not
 
Output
------
    W: {numpy array}, shape (n_features, n_classes)
        weight matrix
    obj: {numpy array}, shape (n_iterations,)
        objective function value during iterations
    value_gamma: {numpy array}, shape (n_iterations,)
        suitable step size during iterations
 
Reference
---------
    Liu, Jun, et al. "Multi-Task Feature Learning Via Efficient l2,1-Norm Minimization." UAI. 2009.