sklearn.semi_supervised.LabelSpreading

class sklearn.semi_supervised.LabelSpreading(kernel='rbf', *, gamma=20, n_neighbors=7, alpha=0.2, max_iter=30, tol=0.001, n_jobs=None)

用于半监督学习的LabelSpreading模型

该模型类似于基本的标签传播算法，但是使用基于归一化图拉普拉斯算子和跨标签的软夹持的关联矩阵。

在用户指南中阅读更多内容。

参数 说明
kernel {‘knn’, ‘rbf’} or callable, default=’rbf’
要使用的内核函数或内核函数本身的字符串标识符。只有'rbf'和'knn'字符串是有效输入。传递的函数应采用两个输入，每个输入的形状为（n_samples，n_features），并返回一个（n_samples，n_samples）形状的权重矩阵。
gamma float, default=20
rbf内核的参数。
n_neighbors int, default=7
knn内核的参数，它是严格的正整数。
alpha float, default=0.2
软夹持系数。（0，1）中的一个值，指定一个实例从它的邻居(而不是它的初始标签)接收的信息的相对数量。alpha = 0表示保留初始标签信息；alpha = 1表示替换所有初始信息。
max_iter int, default=1000
允许的最大迭代次数。
tol float, 1e-3
收敛容差：认为系统处于稳定状态的阈值。
n_jobs int, default=None
要运行的核心数。 除非在上下文中设置了joblib.parallel_backend，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。
属性 说明
X_ ndarray of shape (n_samples, n_features)
输入数组。
classes_ ndarray of shape (n_classes,)
用于分类的不同类别标签。
label_distributions_ ndarray of shape (n_samples, n_classes)
每个项目的分类分布。
transduction_ ndarray of shape (n_samples)
通过转换分配给每个项目的标签。
n_iter_ int
运行的迭代次数。

另见

LabelPropagation

基于非正规图的半监督学习

参考

Dengyong Zhou, Olivier Bousquet, Thomas Navin Lal, Jason Weston, Bernhard Schoelkopf. Learning with local and global consistency (2004) http://citeseer.ist.psu.edu/viewdoc/summary?doi=10.1.1.115.3219

示例

>>> import numpy as np
>>> from sklearn import datasets
>>> from sklearn.semi_supervised import LabelSpreading
>>> label_prop_model = LabelSpreading()
>>> iris = datasets.load_iris()
>>> rng = np.random.RandomState(42)
>>> random_unlabeled_points = rng.rand(len(iris.target)) < 0.3
>>> labels = np.copy(iris.target)
>>> labels[random_unlabeled_points] = -1
>>> label_prop_model.fit(iris.data, labels)
LabelSpreading(...)

方法

方法 说明
fit(X, y) 拟合基于半监督的标签传播模型。
get_params([deep]) 获取此估计器的参数。
predict(X) 在模型上执行归纳推理。
predict_proba(X) 预测每种可能结果的概率。
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) 设置此估计器的参数。 
__init__(kernel='rbf', *, gamma=20, n_neighbors=7, alpha=0.2, max_iter=30, tol=0.001, n_jobs=None)

[源码]

初始化self。请参阅help（type（self））获取更准确的信息。

fit(X, y)

[源码]

拟合基于半监督的标签传播模型。

提供所有输入数据的矩阵X(标记和未标记)和对应的标记矩阵y，对未标记样本有一个专用的标记值。

参数 说明
X array-like of shape (n_samples, n_features)
形状为（n_samples，n_samples）的矩阵。
y array-like of shape (n_samples,)
n_labeled_samples(未标记的点被标记为-1)所有未标记的样本将被转换指定的标签。
返回值 说明
self object 
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]

在模型上执行归纳推理。

参数 说明
X array-like of shape (n_samples, n_features)
数据矩阵。
返回值 说明
y ndarray of shape (n_samples,)
输入数据的预测值。		 
predict_proba（X ）

[源码]

预测每种可能类别的概率。

计算X中每个样本的概率估计值，以及训练过程中看到的每个可能结果（分类分布）。

参数 说明
X array-like of shape (n_samples, n_features)
数据矩阵。
参数 说明
probabilities ndarray of shape (n_samples, n_classes)
跨类标签的归一化概率分布。		 
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，这是一个苛刻的指标，因为需要为每个样本正确预测对应的标签集。

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
真实值与测试值的平均准确度。		 
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）。后者具有<component>__<parameter>形式的参数， 以便可以更新嵌套对象的每个组件。

参数 说明
**params dict
估计器参数。
返回值 说明
self object
估计器实例。