半径近邻变换器#
- class sklearn.neighbors.RadiusNeighborsTransformer(*, mode='distance', radius=1.0, algorithm='auto', leaf_size=30, metric='minkowski', p=2, metric_params=None, n_jobs=None)[source]#
将X转换为半径范围内邻居的（加权）图。
转换后的数据是一个稀疏图，由
radius_neighbors_graph返回。更多信息请参见用户指南。
0.22版本新增。
- 参数：
- mode{‘distance’, ‘connectivity’}, default=’distance’
返回矩阵的类型：'connectivity' 将返回包含 1 和 0 的连接矩阵，而 'distance' 将根据给定的度量返回邻居之间的距离。
- radiusfloat, default=1.0
变换后的稀疏图中邻域的半径。
- algorithm{‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}, default=’auto’
用于计算最近邻的算法
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。
- metricstr or callable, default=’minkowski’
用于距离计算的度量。默认为“minkowski”，当 p = 2 时，结果为标准欧几里德距离。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。如果度量是一个可调用的函数，它将接受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两个向量之间的距离。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。
不支持距离矩阵。
- pfloat, default=2
来自 sklearn.metrics.pairwise.pairwise_distances 的 Minkowski 度量的参数。当 p = 1 时，这等效于使用 manhattan_distance (l1)，而 p = 2 时则为 euclidean_distance (l2)。对于任意 p，使用 minkowski_distance (l_p)。此参数应为正数。
- 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。如果为
-1，则作业数设置为 CPU 内核数。
- 属性：
- effective_metric_str or callable
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，但如果effective_metric_属性设置为'minkowski'，则可能还包含p参数值。- n_features_in_int
在拟合期间看到的特征数量。
0.24版本新增。
- 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。1.0版本新增。
- n_samples_fit_int
拟合数据中的样本数。
示例
>>> import numpy as np >>> from sklearn.datasets import load_wine >>> from sklearn.cluster import DBSCAN >>> from sklearn.neighbors import RadiusNeighborsTransformer >>> from sklearn.pipeline import make_pipeline >>> X, _ = load_wine(return_X_y=True) >>> estimator = make_pipeline( ... RadiusNeighborsTransformer(radius=42.0, mode='distance'), ... DBSCAN(eps=25.0, metric='precomputed')) >>> X_clustered = estimator.fit_predict(X) >>> clusters, counts = np.unique(X_clustered, return_counts=True) >>> print(counts) [ 29 15 111 11 12]
- fit(X, y=None)[source]#
根据训练数据集拟合半径邻域变换器。
- 参数：
- X{array-like, sparse matrix} of shape (n_samples, n_features) or (n_samples, n_samples) if metric=’precomputed’
训练数据。
- yIgnored
未使用，根据约定保留以保持API一致性。
- 返回：
- selfRadiusNeighborsTransformer
拟合的半径邻域变换器。
- fit_transform(X, y=None)[source]#
先拟合数据，然后转换数据。
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：
- X形状为 (n_samples, n_features) 的类数组
训练集。
- yIgnored
未使用，根据约定保留以保持API一致性。
- 返回：
- Xt形状为 (n_samples, n_samples) 的稀疏矩阵
Xt[i, j] 表示连接 i 和 j 的边的权重。只有邻居节点之间具有显式值。对角线总是显式值。矩阵采用 CSR 格式。
- 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字符串类数组或 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作为估计器的包含子对象的参数。
- 返回：
- params字典
参数名称与其值的映射。
- radius_neighbors(X=None, radius=None, return_distance=True, sort_results=False)[source]#
查找给定半径内某个点或多个点的邻居。
返回数据集中每个点到查询数组点的球体（大小为
radius）内的索引和距离。位于边界上的点包含在结果中。结果点不一定按与其查询点的距离排序。
- 参数：
- X形状为 (n_samples, n_features) 的 {类数组，稀疏矩阵}，默认为 None
查询点或多个点。如果未提供，则返回每个索引点的邻居。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其进行排序。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。0.22版本新增。
- 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数组，这些点位于查询点周围大小为
radius的球体内。
注释
由于每个点的邻居数量不一定是相等的，因此多个查询点的结果无法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
在下面的例子中，我们从一个表示我们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。
邻域限制在距离小于radius的点。
- 参数：
- X形状为(n_samples, n_features)的{类数组，稀疏矩阵}，默认为None
查询点或多个点。如果未提供，则返回每个索引点的邻居。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，距离的类型取决于NearestNeighbors类中选择的度量参数。
- sort_results布尔值，默认为 False
如果为True，则在结果的每一行中，非零条目将按距离递增排序。如果为False，则非零条目可能不会排序。仅在mode='distance'时使用。
0.22版本新增。
- 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-邻域的(加权)图。(这句话与p1重复，可以考虑删除)
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_output(*, transform=None)[source]#
设置输出容器。
参见 Introducing the set_output API 了解如何使用API的示例。
- 参数：
- transform{"default", "pandas", "polars"}，默认为None
配置
transform和fit_transform的输出。"default"：转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
1.4版本新增：
"polars"选项已添加。
- 返回：
- self估计器实例
估计器实例。