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。

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..50.], [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

NearestNeighbors.radius_neighbors_graph

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 __ ,以便可以更新嵌套对象的每个组件。

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。

sklearn.neighbors.KNeighborsTransformer使用示例