fit_transform输出vs组件_在sklearn.decomposition.DictionaryLearning中

Question

我试图了解sklearn.decomposition.DictionaryLearning中的fit_transform方法和components_数组返回的值。

在documentation中，fit_transform似乎返回了稀疏表示的输入数据，而components_包含了原子。

我使用以下代码对digits数据集运行了sklearn.decomposition.DictionaryLearning：

sample_data=digits.data[:40,:]    
dl = DictionaryLearning(n_components=36, fit_algorithm='lars', transform_algorithm='lasso_lars')
    X_dict = dl.fit_transform(sample_data) 

当我使用以下代码绘制由fit_transform返回的X_dict（根据文档，它是转换后的输入数据）时：

fig = plt.figure(figsize=(6, 6))
for i in range(36):
    ax = fig.add_subplot(6, 6, i + 1, xticks=[], yticks=[])
    ax.imshow(X_dict.reshape(-1, 6, 6)[i], cmap='Greys_r',
              interpolation='nearest') 

这是我得到的：

当我使用以下代码绘制components_（应打印原子）的内容时：

fig, ax = plt.subplots(6, 6, figsize=(8, 8))

samples = [dl.components_[x].reshape((8, 8)) for x in range(34)]

for i in range(6):
    for j in range(6):
        ax[i, j].set_axis_off()
        ax[i, j].imshow(samples[(i * 5) + j], cmap='gray')

plt.show()

这就是我得到的：

现在我的问题是，这正确吗？从我对字典学习的理解来看，我觉得第一个图像看起来更像原子，而第二个图像更像是转换后的输入。

有人可以解释一下原子和转换后的数据之间的区别，然后告诉我这些图像中的哪幅是哪幅吗？