半径近邻图

sklearn.neighbors.radius_neighbors_graph(X, radius, *, mode='connectivity', metric='minkowski', p=2, metric_params=None, include_self=False, n_jobs=None)

计算 X 中点的(加权)近邻图。

邻域限制在距离小于 radius 的点。

更多信息请参考 用户指南。

参数：

X形状为 (n_samples, n_features) 的 {array-like, sparse matrix}

样本数据。

radius浮点数

邻域半径。

mode{'connectivity', 'distance'}, 默认值为 'connectivity'

返回矩阵类型：‘connectivity’ 将返回包含 1 和 0 的连接矩阵，而 ‘distance’ 将根据给定度量返回邻居之间的距离。

metricstr, default=’minkowski’

用于距离计算的度量。默认为“minkowski”，当 p = 2 时，它相当于标准欧几里得距离。 有效的度量值，请参见 scipy.spatial.distance 的文档和 distance_metrics 中列出的度量。

pfloat, default=2

Minkowski 度量的幂参数。当 p = 1 时，这等效于使用 manhattan_distance (l1)，而 p = 2 时等效于 euclidean_distance (l2)。对于任意 p，使用 minkowski_distance (l_p)。

metric_paramsdict, default=None

度量函数的其他关键字参数。

include_selfbool or ‘auto’, default=False

是否将每个样本标记为其自身的第一个最近邻。如果为“auto”，则对于 mode='connectivity' 使用 True，对于 mode='distance' 使用 False。

n_jobsint, default=None

运行邻居搜索的并行作业数。None 表示 1，除非在 joblib.parallel_backend 上下文中。-1 表示使用所有处理器。更多详情，请参见 词汇表。

返回:

A形状为 (n_samples, n_samples) 的稀疏矩阵

图，其中 A[i, j] 被赋予连接 i 到 j 的边的权重。矩阵采用 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 radius_neighbors_graph
>>> A = radius_neighbors_graph(X, 1.5, mode='connectivity',
...                            include_self=True)
>>> A.toarray()
array([[1., 0., 1.],
       [0., 1., 0.],
       [1., 0., 1.]])