sklearn.neighbors.RadiusNeighborsClassifier¶

class sklearn.neighbors.RadiusNeighborsClassifier(radius=1.0, *, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', outlier_label=None, metric_params=None, n_jobs=None, **kwargs)

[源码]

分类器在给定半径内的临近点之间进行投票

在用户指南中阅读更多内容。

参数	说明
radius	float, default=1.0 默认情况下用于radius_neighbors查询的参数空间范围。
weights	{‘uniform’, ‘distance’} or callable, default=’uniform’ 预测中使用的权重函数。可能的值： “uniform”：统一权重。每个邻域中的所有点均被加权。 “distance”：权重点与其距离的倒数。在这种情况下，查询点的近邻比远处的近邻具有更大的影响力。 [callable]：用户定义的函数，该函数接受距离数组，并返回包含权重的相同形状的数组。默认情况下使用统一权重。
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：在稀疏输入上进行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。
p	int, default=2 Minkowski指标的功率参数。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	str or callable, default=’minkowski’ 树使用的距离度量。默认度量标准为minkowski，p = 2等于标准欧几里德度量标准。有关可用度量的列表，请参见DistanceMetric的文档。如果度量是“预先计算的”，则X被假定为距离矩阵sparse graph，并且在拟合过程中必须为平方。 X可能是一个稀疏图，在这种情况下，只有“非零”元素可以被视为临近点。
outlier_label	{manual label, ‘most_frequent’}, default=None 离群样本的标签（给定半径中没有临近点的样本）。 manual label：str或int标签（应与y类型相同）或使用多输出时的手动标签列表。 ‘most_frequent’：将y的最频繁标签分配给离群值。 None：检测到任何异常值时，将引发ValueError。
metric_params	dict, default=None 度量功能的其他关键字参数。
n_jobs	int, default=None 为临近点搜索运行的并行作业数。除非在joblib.parallel_backend上下文中，否则None表示1。 -1表示使用所有处理器。有关更多详细信息，请参见词汇表Glossary。

属性	说明
classes_	ndarray of shape (n_classes,) 分类器已知的类标签。
effective_metric_	str or callble 使用的距离度量。它将与度量参数相同或与其相同，例如如果metric参数设置为“ minkowski”，而p参数设置为2，则为“ euclidean”。
effective_metric_params_	dict 度量功能的其他关键字参数。对于大多数指标而言，它与metric_params参数相同，但是，如果将valid_metric_属性设置为“ minkowski”，则也可能包含p参数值。
outputs_2d_	bool 如果在拟合期间y的形状为（n_samples，）或（n_samples，1），则为True。

另见：

KNeighborsClassifier

RadiusNeighborsRegressor

KNeighborsRegressor

NearestNeighbors

声明

有关算法选择和leaf_size的讨论，请参见在线文档中的Nearest Neighbors。

https://en.wikipedia.org/wiki/K-nearest_neighbor_algorithm

示例

>>> X = [[0], [1], [2], [3]]
>>> y = [0, 0, 1, 1]
>>> from sklearn.neighbors import RadiusNeighborsClassifier
>>> neigh = RadiusNeighborsClassifier(radius=1.0)
>>> neigh.fit(X, y)
RadiusNeighborsClassifier(...)
>>> print(neigh.predict([[1.5]]))
[0]
>>> print(neigh.predict_proba([[1.0]]))
[[0.66666667 0.33333333]]

方法	说明
`fit`(X, y)	使用X作为训练数据和y作为目标值拟合模型
`get_params`([deep])	获取此估计量的参数。
`predict`(X)	预测提供的数据的类标签。
`predict_proba`(X)	测试数据X的返回概率估计。
`radius_neighbors`([X, radius, …])	查找一个或多个给定半径内的临近点。
`radius_neighbors_graph`([X, radius, mode, …])	计算X中点的临近点（加权）图
`score`(X, y[, sample_weight])	返回给定测试数据和标签上的平均准确度。
`set_params`(**params)	设置此估算器的参数。

__init__(radius=1.0, *, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', outlier_label=None, metric_params=None, n_jobs=None, **kwargs)

[源码]

初始化，请参阅help(type())以获得准确的说明

fit(X, y)

[源码]

使用X作为训练数据和y作为目标值拟合模型

参数	说明
X	BallTree, KDTree or {array-like, sparse matrix} of shape (n_samples, n_features) or (n_samples, n_samples) 训练数据。如果是数组或矩阵，则形状为（n_samples，n_features）或者如果metric =“ precomputed”，则形状为（n_samples，n_samples）。
y	{array-like, sparse matrix} of shape (n_samples,) or (n_samples, n_output) 目标值。

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

predict(X)

[源码]

预测提供的数据的类标签。

参数	说明
X	array-like of shape (n_queries, n_features), or (n_queries, n_indexed) if metric == ‘precomputed’ 测试数据集

返回值	说明
y	ndarray of shape (n_queries,) or (n_queries, n_outputs) 每个数据样本的类标签。

predict_proba(X)

[源码]

测试数据X的返回概率估计。

参数	说明
X	array-like of shape (n_queries, n_features), or (n_queries, n_indexed) if metric == ‘precomputed’ 测试样本

返回值	说明
p	ndarray of shape (n_queries, n_classes), or a list of n_outputs 如果n_outputs> 1，则为此类数组。输入样本的类概率。类按字典顺序排序。

radius_neighbors(X=None, radius=None, return_distance=True, sort_results=False)

[源码]

查找一个或多个给定半径内的临近点。

返回数据集中每个点的索引和距离，该数据集位于一个球中，球的大小半径围绕查询数组的点。边界上的点包括在结果中。

结果点不一定按与查询点的距离排序。

参数值	说明
X	array-like, (n_samples, n_features), optional 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。
radius	float 限制临近点返回的距离。（默认值为传递给构造函数的值）。
return_distance	boolean, optional. Defaults to True. 如果为False，则不会返回距离。
sort_results	boolean, optional. Defaults to False. 如果为True，则距离和索引将在返回之前进行排序。如果为False，则不会对结果进行排序。如果return_distance == False，则将sort_results = True设置将导致错误。 0.22版中的新功能。

返回值	说明
neigh_dist	array, shape (n_samples,) of arrays 表示到每个点的距离的数组，仅当return_distance = True时才存在。距离值是根据度量构造函数参数计算的。
neigh_ind	array, shape (n_samples,) of arrays 人口矩阵中距离查询点最近的近似点的索引数组。

声明

因为每个点的临近点数不一定相等，所以多个查询点的结果不能适合标准数据数组。为了提高效率，radius_neighbors返回对象数组，其中每个对象都是一维索引或距离数组。

示例

在以下示例中，我们从代表数据集的数组构造NeighborsClassifier类，并询问谁是最接近[1，1，1]的点：

>>> import numpy as np
>>> samples = [[0., 0., 0.], [0., .5, 0.], [1., 1., .5]]
>>> from sklearn.neighbors import NearestNeighbors
>>> neigh = NearestNeighbors(radius=1.6)
>>> neigh.fit(samples)
NearestNeighbors(radius=1.6)
>>> rng = neigh.radius_neighbors([[1., 1., 1.]])
>>> print(np.asarray(rng[0][0]))
[1.5 0.5]
>>> print(np.asarray(rng[1][0]))
[1 2]

返回的第一个数组包含到所有小于1.6的点的距离，而返回的第二个数组包含其索引。通常，可以同时查询多个点。

radius_neighbors_graph(X=None, radius=None, mode='connectivity', sort_results=False)

[源码]

计算X中点的临近点（加权）图

邻域限制点的距离小于半径。

参数	说明
X	array-like of shape (n_samples, n_features), default=None 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。
radius	float 社区半径。（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。
sort_results	boolean, optional. Defaults to False. 如果为True，则距离和索引将在返回之前进行排序。如果为False，则不会对结果进行排序。仅与mode =” distance”一起使用。 0.22版中的新功能。

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：

kneighbors_graph

示例

>>> X = [[0], [3], [1]]
>>> from sklearn.neighbors import NearestNeighbors
>>> neigh = NearestNeighbors(radius=1.5)
>>> neigh.fit(X)
NearestNeighbors(radius=1.5)
>>> A = neigh.radius_neighbors_graph(X)
>>> A.toarray()
array([[1., 0., 1.],
       [0., 1., 0.],
       [1., 0., 1.]])

score(X, y, sample_weight=None)

[源码]

返回给定测试数据和标签上的平均准确度。

在多标签分类中，这是子集准确性，这是一个严格的指标，因为您需要为每个样本正确预测每个标签集。

参数	说明
X	array-like of shape (n_samples, n_features) 测试样本
y	array-like of shape (n_samples,) or (n_samples, n_outputs) X的真实标签。
sample_weight	array-like of shape (n_samples,), default=None 样本权重

返回值	说明
score	float .predict（X）wrt.y的平均准确度

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。