sklearn中的SparseCoder是什么？又该如何使用

SparseCoder其实是一个最优化求解方法。它所处理的对象是线性方程。
假设
$$Ax=b,A\in R^{m\times n},b\in R^{m\times 1}$$
则 $x\in R^{n\times 1}$
现在想求x。则可以使用SparseCoder

上述问题可以等价为
$$argmi{n}_x||x_1.\overrightarrow{a1}+x_2.\overrightarrow{a2}+...x_n.\overrightarrow{a_n}-b||$$

下面介绍用法。

from sklearn.decomposition import SparseCoder

coder = SparseCoder(dictionary=AT, transform_n_nonzero_coefs=None,
                    transform_alpha=1, transform_algorithm='lasso_lars' , positive_code=True) 
x = coder.transform(b)                 

• AT是矩阵A的转置，即shape为n x m。在机器学习领域，n是样本数目，m是特征数目
• b是目标特征
• x是求得的的组合系数。即x的值将A的每一列线性组合之后，可以得到b。
• transform_alpha 是一个L1的惩罚项。
• transform_algorithm是优化方法。
• positive_code为true，则强制求出的x大于0。

SparseCoder的应用场景不多，因为本身无法考虑更多的约束，比如加入不等式，就不好求解了。
在3dmm人脸重建中，可以应用SparseCoder。
因为3dmm的公式中。就有求表情基系数的地方，而那里是线性方程。