1. • n_components：一个整数，指定了字典大小 。

   • alpha：一个浮点数，指定了 正则化项的系数 ，它控制了稀疏性。

   • max_iter：一个整数，指定了最大迭代次数。

   • tol：一个浮点数，指定了收敛阈值。

   • fit_algorithm：一个字符串，指定了求解算法。可以为：

     • 'lars'：使用least angle regression算法来求解。
     • 'cd'：使用coordinate descent算法来求解。

   • transform_algorithm：一个字符串，指定了数据转换的方法。可以为：

     • 'lasso_lars'：使用Lars算法来求解。
     • 'lasso_cd'：使用coordinate descent算法来求解。
     • 'lars'：使用least angle regression算法来求解。
     • 'omp'：使用正交匹配的方法来求解。
     • 'threshold'：通过字典转换后的坐标中，小于 transform_alpha 的特征的值都设成零。

   • 只用于算法和omp算法（omp算法中，可能被transform_alpha参数覆盖）。

   • transform_alpha：一个浮点数，默认为 1.0 。

     • 如果算法为threshold，则该参数指定了特征为零的阈值。
     • 如果算法为omp，则该参数指定了重构误差的阈值，此时它覆盖了transform_n_nonzero_coefs参数。

   • split_sign：一个布尔值，指定是否拆分系数特征向量为其正向值和负向值的拼接。

   • n_jobs：一个整数，指定并行性。

   • code_init：一个数组，指定了初始编码，它用于字典学习算法的热启动。

   • dict_init：一个数组，指定了初始字典，它用于字典学习算法的热启动。

   • random_state ：一个整数或者一个RandomState 实例，或者None，指定随机数种子。

2. 属性：

   • components_：一个数组，存放学到的字典。
   • error_：一个数组，存放每一轮迭代的误差。
   • n_iter_：一个整数，存放迭代的次数。

3. 方法：

   • ：学习字典。
   • transform(X)：根据学到的字典进行编码。
   • fit_transform(X,y)：学习字典并执行字典编码。

3.2 MiniBatchDictionaryLearning

1. MiniBatchDictionaryLearning也是字典学习，它主要用于大规模数据。它每次训练一批样本，然后连续多次训练。

2. MiniBatchDictionaryLearning 的原型为：

   n_iter=1000, fit_algorithm='lars', n_jobs=1, batch_size=3, shuffle=True,
   dict_init=None, transform_algorithm='omp', transform_n_nonzero_coefs=None,
   transform_alpha=None, verbose=False, split_sign=False, random_state=None)

   • n_iter：一个整数，指定了总的执行迭代的数量。
   • batch_size：一个整数，指定了每次训练时的样本数量。
   • shuffle：一个布尔值，指定在训练每一批样本之前，是否对该批次样本进行混洗。
   • 其它参数参考DictionaryLearning 。

3. 属性：

   • components_：一个数组，存放学到的字典。
   • inner_stats_：数组的元组，存放算法的中间状态。
   • n_iter_：一个整数，存放迭代的次数。
4. • fit(X,y)：学习字典。
   • transform(X)：根据学到的字典进行编码。
   • fit_transform(X,y)：学习字典并执行字典编码。