局部线性嵌入#

class sklearn.manifold.LocallyLinearEmbedding(*, n_neighbors=5, n_components=2, reg=0.001, eigen_solver='auto', tol=1e-06, max_iter=100, method='standard', hessian_tol=0.0001, modified_tol=1e-12, neighbors_algorithm='auto', random_state=None, n_jobs=None)[source]#

局部线性嵌入。

更多信息请参考 用户指南

参数:
n_neighborsint,默认为5

每个点考虑的邻居数量。

n_componentsint,默认为2

流形的坐标数量。

regfloat,默认为1e-3

正则化常数,乘以距离的局部协方差矩阵的迹。

eigen_solver{'auto', 'arpack', 'dense'},默认为'auto'

用于计算特征向量的求解器。可用的选项为:

  • 'auto':算法将尝试为输入数据选择最佳方法。

  • 'arpack':使用移位反转模式下的Arnoldi迭代。对于此方法,M可以是稠密矩阵、稀疏矩阵或一般的线性算子。

  • 'dense':使用标准稠密矩阵运算进行特征值分解。对于此方法,M必须是数组或矩阵类型。对于大型问题,应避免使用此方法。

警告

ARPACK对于某些问题可能不稳定。最好尝试几个随机种子以检查结果。

tolfloat,默认为1e-6

‘arpack’方法的容差。如果eigen_solver=='dense',则不使用。

max_iterint,默认为100

arpack求解器的最大迭代次数。如果eigen_solver=='dense',则不使用。

method{'standard', 'hessian', 'modified', 'ltsa'},默认为'standard'
  • standard:使用标准局部线性嵌入算法。参见参考文献 [1]

  • hessian:使用Hessian特征映射方法。此方法需要 n_neighbors > n_components * (1 + (n_components + 1) / 2。参见参考文献 [2]

  • modified:使用改进的局部线性嵌入算法。参见参考文献 [3]

  • ltsa:使用局部切空间对齐算法。参见参考文献 [4]

hessian_tolfloat,默认为1e-4

Hessian特征映射方法的容差。仅当 method == 'hessian' 时使用。

modified_tolfloat,默认为1e-12

改进的LLE方法的容差。仅当 method == 'modified' 时使用。

neighbors_algorithm{'auto', 'brute', 'kd_tree', 'ball_tree'},默认为'auto'

用于最近邻搜索的算法,传递给 NearestNeighbors 实例。

random_stateint,RandomState 实例,默认为None

eigen_solver == 'arpack' 时确定随机数生成器。传递一个整数以在多次函数调用中获得可重复的结果。参见 Glossary

n_jobsint 或 None,默认为 None

要运行的并行作业数。None 表示 1,除非在 joblib.parallel_backend 上下文中。-1 表示使用所有处理器。有关更多详细信息,请参见 Glossary

属性:
embedding_类数组,形状 [n_samples, n_components]

存储嵌入向量。

reconstruction_error_float

embedding_ 相关的重构误差。

n_features_in_int

fit 期间看到的特征数量。

在 0.24 版本中添加。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

fit 期间看到的特征名称。仅当 X 的特征名称全部为字符串时定义。

在 1.0 版本中添加。

nbrs_NearestNeighbors 对象

存储最近邻实例,包括 BallTree 或 KDtree(如果适用)。

另请参见

SpectralEmbedding

用于非线性降维的谱嵌入。

TSNE

分布式随机邻域嵌入。

参考文献

[1]

Roweis, S. & Saul, L. 通过局部线性嵌入进行非线性降维。Science 290:2323 (2000).

[2]

Donoho, D. & Grimes, C. Hessian 特征映射:用于高维数据局部线性嵌入技术。Proc Natl Acad Sci U S A. 100:5591 (2003).

[4]

Zhang, Z. & Zha, H. 通过切空间对齐进行主流形和非线性降维。Journal of Shanghai Univ. 8:406 (2004)

示例

>>> from sklearn.datasets import load_digits
>>> from sklearn.manifold import LocallyLinearEmbedding
>>> X, _ = load_digits(return_X_y=True)
>>> X.shape
(1797, 64)
>>> embedding = LocallyLinearEmbedding(n_components=2)
>>> X_transformed = embedding.fit_transform(X[:100])
>>> X_transformed.shape
(100, 2)
fit(X, y=None)[source]#

计算数据 X 的嵌入向量。

参数:
X形状为 (n_samples, n_features) 的类数组

训练集。

y忽略

未使用,此处出于 API 一致性约定而保留。

返回:
self对象

已拟合的 LocallyLinearEmbedding 类实例。

fit_transform(X, y=None)[source]#

计算数据 X 的嵌入向量并转换 X。

参数:
X形状为 (n_samples, n_features) 的类数组

训练集。

y忽略

未使用,此处出于 API 一致性约定而保留。

返回:
X_new类数组,形状 (n_samples, n_components)

返回实例本身。

get_feature_names_out(input_features=None)[source]#

获取转换后的特征名称。

输出的特征名称将以小写的类名作为前缀。例如,如果转换器输出3个特征,则输出的特征名称为:["class_name0", "class_name1", "class_name2"]

参数:
input_features类数组的字符串或None,默认为None

仅用于使用在fit中看到的名称验证特征名称。

返回:
feature_names_out字符串对象的ndarray

转换后的特征名称。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南,了解路由机制的工作原理。

返回:
routingMetadataRequest

一个MetadataRequest,封装了路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deep布尔值,默认为True

如果为True,则将返回此估计器和包含的作为估计器的子对象的参数。

返回:
params字典

参数名称与其值的映射。

set_output(*, transform=None)[source]#

设置输出容器。

请参阅介绍set_output API,了解如何使用此API。

参数:
transform{"default", "pandas", "polars"},默认为None

配置transformfit_transform的输出。

  • "default": 变换器的默认输出格式

  • "pandas": DataFrame输出

  • "polars": Polars输出

  • None: 转换配置保持不变

版本 1.4 中新增: "polars"选项已添加。

返回:
self估计器实例

估计器实例。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单的估计器以及嵌套对象(例如Pipeline)。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:
**params字典

估计器参数。

返回:
self估计器实例

估计器实例。

transform(X)[source]#

将新点转换为嵌入空间。

参数:
X形状为 (n_samples, n_features) 的类数组

训练集。

返回:
X_new形状为 (n_samples, n_components) 的ndarray

返回实例本身。

备注

由于此方法执行了缩放,因此不建议将其与非尺度不变的方法(如SVM)一起使用。