半径近邻回归器#

class sklearn.neighbors.RadiusNeighborsRegressor(radius=1.0, *, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', metric_params=None, n_jobs=None)[source]#

基于固定半径内邻居的回归。

目标值通过对训练集中最近邻的目标值的局部插值来预测。

更多信息请阅读 用户指南。

版本 0.9 中新增。

参数：
radiusfloat, default=1.0

默认情况下，radius_neighbors 查询使用的参数空间范围。

weights{‘uniform’, ‘distance’}, callable 或 None, default=’uniform’

预测中使用的权重函数。可能的值：

  • ‘uniform’ : 均匀权重。每个邻域中的所有点权重相等。

  • ‘distance’ : 根据距离的倒数来加权点。在这种情况下，查询点的较近邻居比较远邻居的影响更大。

  • [callable] : 用户定义的函数，它接受一个距离数组，并返回一个包含权重的相同形状的数组。

默认情况下使用均匀权重。

algorithm{‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}, default=’auto’

用于计算最近邻的算法

  • ‘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 方法的值确定最合适的算法。

注意：对稀疏输入进行拟合将覆盖此参数的设置，使用暴力搜索。

leaf_sizeint, default=30

传递给 BallTree 或 KDTree 的叶子大小。这会影响构建和查询的速度，以及存储树所需的内存。最佳值取决于问题的性质。

pfloat, default=2

Minkowski 度量的幂参数。当 p = 1 时，这相当于使用 manhattan_distance (l1)，而 p = 2 时则使用 euclidean_distance (l2)。对于任意 p，使用 minkowski_distance (l_p)。

metricstr 或 callable, default=’minkowski’

用于距离计算的度量。默认为“minkowski”，当 p = 2 时，它产生标准欧几里德距离。有关有效的度量值，请参见 scipy.spatial.distance 的文档和 distance_metrics 中列出的度量。

如果 metric 为“precomputed”，则假定 X 为距离矩阵，并且在拟合期间必须为方阵。X 可以是 稀疏图，在这种情况下，只有“非零”元素可能被认为是邻居。

如果 metric 是一个可调用的函数，它将两个表示一维向量的数组作为输入，并且必须返回一个值来指示这些向量之间的距离。这适用于 Scipy 的度量，但效率低于将度量名称作为字符串传递。

metric_paramsdict, default=None

度量函数的其他关键字参数。

n_jobsint, default=None

为邻居搜索运行的并行作业数。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 词汇表。

属性：
effective_metric_str 或 callable

要使用的距离度量。它将与metric参数相同，或者它的同义词，例如，如果metric参数设置为’minkowski’并且p参数设置为2，则为’euclidean’。

effective_metric_params_dict

度量函数的其他关键字参数。对于大多数度量，它将与metric_params参数相同，但也可能包含p参数值（如果effective_metric_属性设置为’minkowski’）。

n_features_in_int

在 拟合期间看到的特征数量。

版本 0.24 中新增。

feature_names_in_ndarray of shape (n_features_in_,)

在 拟合期间看到的特征名称。仅当 X 具有全部为字符串的特征名称时才定义。

版本 1.0 中新增。

n_samples_fit_int

拟合数据中的样本数。

另请参见

最近邻

用于实现邻居搜索的无监督学习器。

K 近邻回归器

基于 k 近邻的回归。

K 近邻分类器

基于 k 近邻的分类器。

半径近邻分类器

基于给定半径内邻居的分类器。

备注

关于参数algorithm和leaf_size的选择，请参见在线文档中关于最近邻的讨论。

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 RadiusNeighborsRegressor
>>> neigh = RadiusNeighborsRegressor(radius=1.0)
>>> neigh.fit(X, y)
RadiusNeighborsRegressor(...)
>>> print(neigh.predict([[1.5]]))
[0.5]
fit(X, y)[源代码]#

使用训练数据集拟合半径邻域回归器。

参数：
X形状为 (n_samples, n_features) 或 (n_samples, n_samples)（如果 metric='precomputed'）的{类数组、稀疏矩阵}

训练数据。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的{类数组、稀疏矩阵}

目标值。

返回:
selfRadiusNeighborsRegressor

已拟合的半径邻域回归器。

get_metadata_routing()[源代码]#

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)[源代码]#

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子对象（这些子对象也是估计器）的参数。

返回:
params字典

参数名称与其值的映射。

predict(X)[源代码]#

预测提供数据的目标值。

参数：
X形状为 (n_queries, n_features) 的{类数组、稀疏矩阵}，如果 metric == 'precomputed'，则为 (n_queries, n_indexed)，或者为 None

测试样本。如果为None，则返回所有已索引点的预测；在这种情况下，点不被认为是其自身的邻居。

返回:
y形状为 (n_queries,) 或 (n_queries, n_outputs) 的 ndarray，dtype=double

目标值。

radius_neighbors(X=None, radius=None, return_distance=True, sort_results=False)[源代码]#

查找给定半径内某个点或多个点的邻居。

返回数据集里每个点在查询数组的点周围大小为radius的球体内的索引和距离。位于边界上的点包含在结果中。

结果点不一定按与查询点的距离排序。

参数：
X(n_samples, n_features) 的{类数组、稀疏矩阵}，默认为 None

查询点或多个点。如果没有提供，则返回每个已索引点的邻居。在这种情况下，查询点不被认为是其自身的邻居。

radius浮点数，默认为 None

要返回的邻居的限制距离。默认为构造函数中传递的值。

return_distance布尔值，默认为 True

是否返回距离。

sort_results布尔值，默认为 False

如果为 True，则在返回距离和索引之前，将按距离递增顺序对它们进行排序。如果为 False，则结果可能未排序。如果return_distance=False，则设置sort_results=True将导致错误。

在 0.22 版本中添加。

返回:
neigh_dist形状为 (n_samples,) 的数组的 ndarray

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metric构造函数参数计算的。

neigh_ind形状为 (n_samples,) 的数组的 ndarray

一个包含来自总体矩阵的近似最近点的索引的数组的数组，这些点位于查询点周围大小为radius的球体中。

备注

由于每个点的邻居数量不一定相等，因此多个查询点的结果不能放入标准数据数组中。为了提高效率，radius_neighbors返回对象数组，其中每个对象都是索引或距离的一维数组。

示例

在下面的示例中，我们从一个表示数据集的数组构造一个 NeighborsClassifier 类，并询问哪个点最接近 [1, 1, 1]

>>> 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距离小于 1.6 的点的距离，而返回的第二个数组包含它们的索引。通常，可以同时查询多个点。

radius_neighbors_graph(X=None, radius=None, mode='connectivity', sort_results=False)[source]#

计算X中点的（加权）邻域图。

邻域范围限制在距离小于radius的点。

参数：
X形状为(n_samples, n_features)的{array-like, sparse matrix}，默认为None

查询点或多个点。如果没有提供，则返回每个已索引点的邻居。在这种情况下，查询点不被认为是其自身的邻居。

radius浮点数，默认为 None

邻域半径。默认为构造函数中传递的值。

mode{'connectivity', 'distance'}，默认为'connectivity'

返回矩阵的类型：'connectivity'将返回包含1和0的连接矩阵，在'distance'中，边是点之间的距离，距离类型取决于NearestNeighbors类中选择的metric参数。

sort_results布尔值，默认为 False

如果为True，则在结果的每一行中，非零项将按距离递增排序。如果为False，则非零项可能不会排序。仅与mode='distance'一起使用。

在 0.22 版本中添加。

返回:
A形状为(n_queries, n_samples_fit)的稀疏矩阵

n_samples_fit是拟合数据中的样本数。A[i, j]给出连接i到j的边的权重。矩阵为CSR格式。

另请参见

K 近邻图

计算X中点的k-近邻的（加权）图。

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)[source]#

返回预测的决定系数。

决定系数\(R^2\)定义为\((1 - \frac{u}{v})\)，其中\(u\)是残差平方和((y_true - y_pred)** 2).sum()，\(v\)是总平方和((y_true - y_true.mean()) ** 2).sum()。最佳分数为1.0，也可能为负数（因为模型可以任意差）。一个始终预测y期望值的常数模型，忽略输入特征，其\(R^2\)分数为0.0。

参数：
X形状为(n_samples, n_features)的array-like

测试样本。对于某些估计器，这可能是预计算的核矩阵或形状为(n_samples, n_samples_fitted)的泛型对象列表，其中n_samples_fitted是估计器拟合中使用的样本数。

y形状为(n_samples,)或(n_samples, n_outputs)的array-like

X的真实值。

sample_weight形状为(n_samples,)的array-like，默认为None

样本权重。

返回:
score浮点数

self.predict(X)关于y的\(R^2\)。

备注

从0.23版本开始，调用回归器的score方法时使用的\(R^2\)分数使用multioutput='uniform_average'，以保持与r2_score的默认值一致。这会影响所有多输出回归器的score方法（MultiOutputRegressor除外）。

set_params(**params)[source]#

设置此估计器的参数。

该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，因此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。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → RadiusNeighborsRegressor[source]#

请求传递给score方法的元数据。

请注意，此方法仅在enable_metadata_routing=True时才相关（参见sklearn.set_config）。有关路由机制的工作原理，请参见用户指南。

每个参数的选项为：

  • True：请求元数据，如果提供，则传递给score。如果未提供元数据，则忽略请求。

  • False：不请求元数据，元估计器不会将其传递给score。

  • None：不请求元数据，如果用户提供元数据，元估计器将引发错误。

  • str：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求而不更改其他参数的请求。

版本 1.3 中新增。

注意

仅当此估计器用作元估计器的子估计器（例如，在Pipeline内使用）时，此方法才相关。否则，它无效。

参数：
sample_weightstr、True、False 或 None，默认为 sklearn.utils.metadata_routing.UNCHANGED

score中sample_weight参数的元数据路由。

返回:
self对象

更新后的对象。