sklearn.manifold.SpectralEmbedding

class sklearn.manifold.SpectralEmbedding(n_components=2, *, affinity='nearest_neighbors', gamma=None, random_state=None, eigen_solver=None, n_neighbors=None, n_jobs=None)

[源码]

频谱嵌入用于非线性降维。

形成指定函数给定的亲和矩阵，并将光谱分解应用于相应的图拉普拉斯图。对于每个数据点，通过特征向量的值来给出结果转换。

注意：拉普拉斯特征图是此处实现的实际算法。

在用户指南中阅读更多内容。

参数 说明
n_components integer, default: 2
降维到的维数
affinity string or callable, default
How to construct the affinity matrix.
- 'nearest_neighbors'：通过计算最近邻图构造亲和矩阵。
- ‘rbf’ :通过计算径向基函数（RBF）内核来构造亲和矩阵。
- 'precompulated'：将X解释为预计算的亲和矩阵。
- 'precomputed_nearest_neighbors'：将X解释为预计算最近邻的稀疏图，并通过选择n_neighbors最近邻来构造亲和力矩阵。
- callable：使用传入函数作为关联函数函数接受数据矩阵(n_samples, n_features)和返回关联矩阵(n_samples, n_samples)。
gamma float, optional, default
rbf核的核系数。
random_state int, RandomState instance, default=None
当solver=='amg' 时，确定用于lobpcg特征向量初始化的随机数生成器。在多个函数调用之间传递int以获得可重复的结果。请参阅：term: Glossary <random_state>.
eigen_solver {None, ‘arpack’, ‘lobpcg’, or ‘amg’}
采用特征值分解策略。AMG要求安装pyamg。在非常大的，稀疏的问题上它可以更快。
n_neighbors int, default
最近邻图构建的最近邻数。
n_jobs int or None, optional (default=None)
用于进行计算的CPU数量。 如果使用多个初始化（n_init），则算法的每次运行都是并行计算的。None除非在joblib.parallel_backend环境中，否则表示1 。 undefined表示使用所有处理器。有关更多详细信息，请参见词汇表。
属性 说明
embedding_ array, shape = (n_samples, n_components)
训练矩阵的频谱嵌入。
affinity_matrix_ array, shape = (n_samples, n_samples)
由样本或预计算的亲和矩阵。
n_neighbors_ int
有效使用的最近邻的数量。

参考文献

1 A Tutorial on Spectral Clustering, 2007 Ulrike von Luxburg http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.165.9323

2 On Spectral Clustering: Analysis and an algorithm, 2001 Andrew Y. Ng, Michael I. Jordan, Yair Weiss http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.19.8100

3 Normalized cuts and image segmentation, 2000 Jianbo Shi, Jitendra Malik http://citeseer.ist.psu.edu/viewdoc/summary?doi=10.1.1.160.2324

实例

>>> from sklearn.datasets import load_digits
>>> from sklearn.manifold import SpectralEmbedding
>>> X, _ = load_digits(return_X_y=True)
>>> X.shape
(1797, 64)
>>> embedding = SpectralEmbedding(n_components=2)
>>> X_transformed = embedding.fit_transform(X[:100])
>>> X_transformed.shape
(100, 2)
方法 说明
fit(X[, y]) 根据X中的数据拟合模型。
fit_transform(X[, y]) 根据X中的数据拟合模型并转换X。
get_params([deep]) 获取此估计量的参数。
set_params(**params) 设置此估算量的参数。 
__init__(n_components=2, *, affinity='nearest_neighbors', gamma=None, random_state=None, eigen_solver=None, n_neighbors=None, n_jobs=None)

[源码]

初始化self， 请参阅help(type(self))以获得准确的说明。

fit(X, y=None)

[源码]

根据X中的数据拟合模型。

参数 说明
X {array-like, sparse matrix}, shape (n_samples, n_features)
训练向量，其中n_samples是样本数，n_features是特征数。
如果affinity（亲和度）是“预先计算的” X : {array-like, sparse matrix}，shape (n_samples, n_samples)，则将X解释为根据样本计算得出的预先计算的邻接图。
返回值 说明
self object
返回实例本身。		 
fit_transform(X, y=None)

[源码]

根据X中的数据拟合模型并转换X。

参数 说明
X {array-like, sparse matrix}, shape (n_samples, n_features)
训练向量，其中n_samples是样本数，n_features是特征数。
如果affinity（亲和度）是“预先计算的” X : {array-like, sparse matrix}，shape (n_samples, n_samples)，则将X解释为根据样本计算得出的预先计算的邻接图。
返回值 说明
X_new array-like, shape (n_samples, n_components) 
get_params(deep=True)

[源码]

获取此估计量的参数

参数 说明
deep bool, default=True
如果为True，则将返回此估算量和作为估算量的包含子对象的参数。
返回值 说明
params mapping of string to any
映射到其值的参数名。		 
set_params(**params)

[源码]

设置此估算量的参数。

该方法适用于简单估计量以及嵌套对象(例如pipelines)。后者具有形式的参数。<component>__<parameter>以便可以更新嵌套对象的每个组件。

参数 说明
**params dict
估算量参数。
返回值 说明
self object
估算量实例。