标签传播#

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

用于半监督学习的标签传播模型。

该模型类似于基本的标签传播算法，但是它使用基于归一化图拉普拉斯算子的亲和矩阵和标签上的软钳位。

更多信息请参见 用户指南。

参数：
kernel{‘knn’, ‘rbf’} 或可调用对象，默认为’rbf’

要使用的核函数的字符串标识符或核函数本身。只有’rbf’和’knn’字符串是有效的输入。传递的函数应接受两个输入，每个输入的形状为(n_samples, n_features)，并返回一个形状为(n_samples, n_samples)的权重矩阵。

gamma浮点数，默认为20

径向基函数核的参数。

n_neighbors整数，默认为7

knn核的参数，必须是严格正整数。

alpha浮点数，默认为0.2

钳制因子。一个(0, 1)范围内的值，用于指定实例应该从其邻居而不是其初始标签中采用信息的相对量。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_iterint，默认为30

允许的最大迭代次数。

tolfloat，默认为1e-3

收敛容差：系统被认为处于稳定状态的阈值。

n_jobsint，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。更多详情请参见 词汇表。

属性：
X_形状为 (n_samples, n_features) 的ndarray

输入数组。

classes_形状为 (n_classes,) 的ndarray

用于对实例进行分类的不同标签。

label_distributions_形状为 (n_samples, n_classes) 的ndarray

每个项目的类别分布。

transduction_形状为 (n_samples,) 的ndarray

在 拟合 过程中分配给每个项目的标签。

n_features_in_int

在 拟合 过程中看到的特征数量。

在 0.24 版本中添加。

feature_names_in_形状为 (n_features_in_,) 的ndarray

在 拟合 过程中看到的特征名称。仅当 X 的特征名称全部为字符串时才定义。

在 1.0 版本中添加。

n_iter_int

运行的迭代次数。

另请参见

标签传播

基于图的无正则化半监督学习。

参考文献

Dengyong Zhou, Olivier Bousquet, Thomas Navin Lal, Jason Weston, Bernhard Schoelkopf. Learning with local and global consistency (2004)

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(...)
fit(X, y)[source]#

将半监督标签传播模型拟合到 X。

输入样本（已标记和未标记）由矩阵 X 提供，目标标签由矩阵 y 提供。在半监督分类中，我们通常将标签 -1 应用于矩阵 y 中的未标记样本。

参数：
X形状为 (n_samples, n_features) 的{类数组，稀疏矩阵}

训练数据，其中 n_samples 是样本数，n_features 是特征数。

y形状为 (n_samples,) 的类数组

目标类别值，其中未标记的点标记为 -1。所有未标记的样本都将在内部被转导地分配标签，这些标签存储在 transduction_ 中。

返回：
self对象

返回实例本身。

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 封装路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：
deepbool，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：
paramsdict

参数名称映射到其值。

predict(X)[source]#

在模型上执行归纳推理。

参数：
X形状为 (n_samples, n_features) 的类数组

数据矩阵。

返回：
y形状为 (n_samples,) 的ndarray

输入数据的预测结果。

predict_proba(X)[source]#

预测每个可能结果的概率。

计算 X 中每个样本和训练期间看到的每个可能结果的概率估计（类别分布）。

参数：
X形状为 (n_samples, n_features) 的类数组

数据矩阵。

返回：
probabilities形状为 (n_samples, n_classes) 的ndarray

跨类别标签的归一化概率分布。

score(X, y, sample_weight=None)[source]#

返回给定测试数据和标签的平均准确率。

在多标签分类中，这是子集准确率，这是一个严格的指标，因为它要求对每个样本都正确预测每个标签集。

参数：
X形状为 (n_samples, n_features) 的类数组

测试样本。

y形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组

X 的真实标签。

sample_weight形状为 (n_samples,) 的类数组，默认为 None

样本权重。

返回：
score浮点数

self.predict(X) 相对于 y 的平均准确率。

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，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 = '$UNCHANGED$') → LabelSpreading[source]#

请求传递给 score 方法的元数据。

请注意，只有当 enable_metadata_routing=True 时（参见 sklearn.set_config），此方法才相关。请参见 用户指南，了解路由机制的工作原理。

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，则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，而其他参数则不更改。

版本 1.3 中新增。

注意

只有当此估计器用作元估计器的子估计器时（例如，在 Pipeline 中使用），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

已更新的对象。