sklearn.neighbors.KNeighborsTransformer¶
class sklearn.neighbors.KNeighborsTransformer(*, mode='distance', n_neighbors=5, algorithm='auto', leaf_size=30, metric='minkowski', p=2, metric_params=None, n_jobs=1)
[源码]
将X转换为k个最近临近点的(加权)图
转换后的数据是kneighbors_graph返回的稀疏图。
在用户指南中阅读更多内容。
0.22版中的新功能。
参数 | 说明 |
---|---|
mode | {‘distance’, ‘connectivity’}, default=’distance’ 返回矩阵的类型:“connectivity”将返回带1和0的连通性矩阵,“distance”将根据给定的指标返回临近点之间的距离。 |
n_neighbors | int, default=5 变换后的稀疏图中每个样本的临近点数。 出于兼容性原因,由于每个样本都被视为自己的临近点,因此当mode =='distance'时将计算一个额外的临近点。 在这种情况下,稀疏图包含(n_neighbors + 1)个临近点。 |
algorithm | {‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}, default=’auto’ 用于计算最近临近点的算法: “ ball_tree”将使用BallTree “ kd_tree”将使用KDTree “brute”将使用暴力搜索。 “auto”将尝试根据传递给fit方法的值来决定最合适的算法。 注意:稀疏输入上的拟合将使用蛮力覆盖此参数的设置。 |
leaf_size | int, default=30 叶大小传递给BallTree或KDTree。 这会影响构造和查询的速度,以及存储树所需的内存。 最佳值取决于问题的性质。 |
metric | str or callable, default=’minkowski’ 用于距离计算的指标。 可以使用scikit-learn或scipy.spatial.distance中的任何度量。 如果metric是可调用的函数,则会在每对实例(行)上调用它,并记录结果值。 可调用对象应将两个数组作为输入并返回一个值,指示它们之间的距离。 这适用于Scipy的指标,但效率不如将指标名称作为字符串传递。 不支持距离矩阵。 指标的有效值为: 来自scikit-learn:['cityblock','cosine','euclidean','l1','l2','manhattan'] 来自scipy.spatial.distance: ','russellrao','seuclidean','sokalmichener','sokalsneath','sqeuclidean','yule'] 有关这些指标的详细信息,请参见scipy.spatial.distance的文档。 |
p | int, default=2 sklearn.metrics.pairwise.pairwise_distances中的Minkowski指标的参数。 当p = 1时,这等效于对p = 2使用manhattan_distance(l1)和euclidean_distance(l2)。对于任意p,使用minkowski_distance(l_p)。 |
metric_params | dict, default=None 度量功能的其他关键字参数。 |
n_jobs | int, default=1 为临近点搜索运行的并行作业数。 如果为-1,则作业数将设置为CPU内核数。 |
示例
>>> from sklearn.manifold import Isomap
>>> from sklearn.neighbors import KNeighborsTransformer
>>> from sklearn.pipeline import make_pipeline
>>> estimator = make_pipeline(
... KNeighborsTransformer(n_neighbors=5, mode='distance'),
... Isomap(neighbors_algorithm='precomputed'))
方法
方法 | 说明 |
---|---|
fit (X[, y]) |
使用X作为训练数据拟合模型 |
fit_transform (X[, y]) |
适合数据,然后对其进行转换。 |
get_params ([deep]) |
获取此估计量的参数。 |
kneighbors ([X, n_neighbors,return_distance]) |
查找点的K临近点。 |
kneighbors_grah ([X, n_neighbors, mode]) |
计算X中点的k临近点的(加权)图 |
set_params (**params) |
设置此估算器的参数。 |
transform ( X) |
计算X中点的临近点(加权)图 |
__init__(*, mode='distance', n_neighbors=5, algorithm='auto', leaf_size=30, metric='minkowski', p=2, metric_params=None, n_jobs=1)
[源码]
初始化. 请参阅help(type())以获得准确的说明。
fit(X, y=None)
[源码]
使用X作为训练数据拟合模型
参数 | 说明 |
---|---|
X | array-like of shape (n_samples, n_features) 训练集。 |
y | ignored |
返回值 | 说明 |
---|---|
Xt | sparse matrix of shape (n_samples, n_samples) 为Xt [i,j]分配将i连接到j的边的权重。 仅临近点具有显式值。 对角线始终是明确的。 矩阵为CSR格式。 |
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,则将返回此估算器和作为估算器的所包含子对象的参数。 |
返回值 | 说明 |
---|---|
params | mapping of string to any 参数名称映射到其值。 |
kneighbors( X=None, n_neighbors=None, return_distance=True)
[源码]
查找点的K临近点。 返回每个点的临近点的索引和与之的距离
参数 | 说明 |
---|---|
X | array-like, shape (n_queries, n_features), or (n_queries, n_indexed) if metric == ‘precomputed’ 查询点。 如果未提供,则返回每个索引点的临近点。 在这种情况下,查询点不被视为其自己的临近点。 |
n_neighbors | int 要获取的临近点数(默认为传递给构造函数的值)。 |
return_distance | boolean, optional. Defaults to True. 如果错误,不会返回距离 |
返回值 | 说明 |
---|---|
neigh_dist | array, shape (n_queries, n_neighbors) 表示点的长度的数组,仅在return_distance = True时存在 |
neigh_ind | array, shape (n_queries, n_neighbors) 总体矩阵中最近点的索引。 |
示例
在下面的示例中,我们从代表我们的数据集的数组构造一个NearestNeighbors类,并询问谁最接近[1,1,1]
>>> samples = [[0., 0., 0.], [0., .5, 0.], [1., 1., .5]]
>>> from sklearn.neighbors import NearestNeighbors
>>> neigh = NearestNeighbors(n_neighbors=1)
>>> neigh.fit(samples)
NearestNeighbors(n_neighbors=1)
>>> print(neigh.kneighbors([[1., 1., 1.]]))
(array([[0.5]]), array([[2]]))
如您所见,它返回[[0.5]]和[[2]],这意味着该元素位于距离0.5处,并且是样本的第三个元素(索引从0开始)。 您还可以查询多个点:
>>> X = [[0., 1., 0.], [1., 0., 1.]]
>>> neigh.kneighbors(X, return_distance=False)
array([[1],
[2]]...)
kneighbors_graph( X=None, n_neighbors=None, mode='connectivity')
[源码]
计算X中点的k临近点的(加权)图
参数 | 说明 |
---|---|
X | array-like, shape (n_queries, n_features), or (n_queries, n_indexed) if metric == ‘precomputed’ 查询点。 如果未提供,则返回每个索引点的临近点。 在这种情况下,查询点不被视为其自己的临近点。 |
n_neighbors | int 每个样本的临近点数。 (默认值为传递给构造函数的值)。 |
mode | {‘connectivity’, ‘distance’}, optional 返回矩阵的类型:“连通性”将返回具有1和0的连通性矩阵,在“距离”中,边为点之间的欧几里得距离。 |
返回值 | 说明 |
---|---|
A | sparse graph in CSR format, shape = [n_queries, n_samples_fit] n_samples_fit是拟合数据中的样本数A [i,j],分配了将i连接到j的边的权重。 |
另见:
示例
>>> X = [[0], [3], [1]]
>>> from sklearn.neighbors import NearestNeighbors
>>> neigh = NearestNeighbors(n_neighbors=2)
>>> neigh.fit(X)
NearestNeighbors(n_neighbors=2)
>>> A = neigh.kneighbors_graph(X)
>>> A.toarray()
array([[1., 0., 1.],
[0., 1., 1.],
[1., 0., 1.]])
set_params(, **params)
[源码]
设置此估算器的参数。
该方法适用于简单的估计器以及嵌套对象(例如管道)。 后者的参数格式为
参数 | 说明 |
---|---|
**params | dict 估算器参数。 |
返回值 | 说明 |
---|---|
self | object 估算器实例。 |
transform( X)
[源码]
计算X中点的临近点(加权)图
参数 | 说明 |
---|---|
X | array-like of shape (n_samples_transform, n_features) 样本数据。 |
返回值 | 说明 |
---|---|
Xt | sparse matrix of shape (n_samples_transform, n_samples_fit) 为Xt [i,j]分配将i连接到j的边的权重。 仅临近点具有显式值。 对角线始终是明确的。 矩阵为CSR格式。 |