sklearn.neighbors.RadiusNeighborsTransformer¶
class sklearn.neighbors.RadiusNeighborsTransformer(*, mode='distance', radius=1.0, algorithm='auto', leaf_size=30, metric='minkowski', p=2, metric_params=None, n_jobs=1)
[源码]
将X转换为比半径更近的临近点的（加权）图
转换后的数据是由radius_neighbors_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：“连通性”将返回带1和0的连通性矩阵，“距离”将根据给定的指标返回临近点之间的距离。 |
| radius | float, default=1. 变换后的稀疏图中的邻域半径。 |
| 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: [‘braycurtis’, ‘canberra’, ‘chebyshev’, ‘correlation’, ‘dice’, ‘hamming’, ‘jaccard’, ‘kulsinski’, ‘mahalanobis’, ‘minkowski’, ‘rogerstanimoto’, ‘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.cluster import DBSCAN
>>> from sklearn.neighbors import RadiusNeighborsTransformer
>>> from sklearn.pipeline import make_pipeline
>>> estimator = make_pipeline(
... RadiusNeighborsTransformer(radius=42.0, mode='distance'),
... DBSCAN(min_samples=30, metric='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。 |
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 |
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', radius=1.0, 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, sparse matrix, BallTree, KDTree} 训练数据。 如果是数组或矩阵，则将形状设置为[n_samples，n_features]，如果是metric =“ precomputed”，则设置为[n_samples，n_samples] |
fit_transform(X, y=None)
[源码]
适合数据，然后对其进行转换。
使用可选参数fit_params将转换器拟合到X和y，并返回X的转换版本。
| 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。 |
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 | 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：
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.]])
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。 |
