SpectralEmbedding#

class sklearn.manifold.SpectralEmbedding(n_components=2, *, affinity='nearest_neighbors', gamma=None, random_state=None, eigen_solver=None, eigen_tol='auto', n_neighbors=None, n_jobs=None)[source]#

用于非线性降维的谱嵌入。

根据指定函数形成亲和矩阵，并对相应的图拉普拉斯矩阵进行谱分解。得到的变换由每个数据点的特征向量值给出。

注意：此处实现的实际算法是拉普拉斯特征映射 (Laplacian Eigenmaps)。

更多信息请参阅用户指南。

参数:
n_components整型，默认值=2

投影子空间的维度。

affinity{‘nearest_neighbors’, ‘rbf’, ‘precomputed’, ‘precomputed_nearest_neighbors’} 或可调用对象，默认值=’nearest_neighbors’
如何构建亲和矩阵。

  • ‘nearest_neighbors’：通过计算最近邻图来构建亲和矩阵。

  • ‘rbf’：通过计算径向基函数 (RBF) 核来构建亲和矩阵。

  • ‘precomputed’：将 X 解释为预计算的亲和矩阵。

  • ‘precomputed_nearest_neighbors’：将 X 解释为预计算最近邻的稀疏图，并通过选择 n_neighbors 个最近邻来构建亲和矩阵。

  • 可调用对象：使用传入的函数作为亲和函数，该函数接受数据矩阵 (n_samples, n_features) 并返回亲和矩阵 (n_samples, n_samples)。

gamma浮点型，默认值=None

RBF 核的核系数。如果为 None，gamma 将设置为 1/n_features。

random_state整型，RandomState 实例或 None，默认值=None

用于初始化当 eigen_solver == 'amg' 时 lobpcg 特征向量分解的伪随机数生成器，以及用于 K-Means 初始化。使用整数使多次调用的结果具有确定性（参阅术语表）。

注意

当使用 eigen_solver == 'amg' 时，必须通过 np.random.seed(int) 固定全局 numpy 种子以获得确定性结果。更多信息请参阅 pyamg/pyamg#139。

eigen_solver{‘arpack’, ‘lobpcg’, ‘amg’}，默认值=None

要使用的特征值分解策略。AMG 需要安装 pyamg。它在非常大的稀疏问题上可能更快。如果为 None，则使用 'arpack'。

eigen_tol浮点型，默认值=“auto”

拉普拉斯矩阵特征分解的停止准则。如果 eigen_tol="auto"，则传入的容差将取决于 eigen_solver。

  • 如果 eigen_solver="arpack"，则 eigen_tol=0.0；

  • 如果 eigen_solver="lobpcg" 或 eigen_solver="amg"，则 eigen_tol=None，这会配置底层的 lobpcg 求解器根据其启发式方法自动解决值。详情请参阅 scipy.sparse.linalg.lobpcg。

请注意，当使用 eigen_solver="lobpcg" 或 eigen_solver="amg" 时，tol<1e-5 的值可能会导致收敛问题，应避免使用。

1.2 版本新增。

n_neighbors整型，默认值=None

用于构建最近邻图的最近邻数量。如果为 None，n_neighbors 将设置为 max(n_samples/10, 1)。

n_jobs整型，默认值=None

要运行的并行作业数量。None 表示 1，除非在 joblib.parallel_backend 上下文中。-1 表示使用所有处理器。详情请参阅术语表。

属性:
embedding_形状为 (n_samples, n_components) 的 ndarray

训练矩阵的谱嵌入。

affinity_matrix_形状为 (n_samples, n_samples) 的 ndarray

根据样本或预计算构建的亲和矩阵。

n_features_in_整型

在拟合过程中看到的特征数量。

0.24 版本新增。

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 的所有特征名称均为字符串时才定义。

1.0 版本新增。

n_neighbors_整型

实际使用的最近邻数量。

另请参阅

Isomap

通过等距映射进行的非线性降维。

参考文献

示例

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

根据 X 中的数据拟合模型。

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

训练向量，其中 n_samples 是样本数量，n_features 是特征数量。

如果 affinity 为“precomputed”，则 X：形状为 (n_samples, n_samples) 的 {array-like, sparse matrix}，将 X 解释为根据样本计算的预计算邻接图。

y忽略

未使用，根据惯例为了 API 一致性而存在。

返回:
self对象

返回实例本身。

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

根据 X 中的数据拟合模型并变换 X。

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

训练向量，其中 n_samples 是样本数量，n_features 是特征数量。

如果 affinity 为“precomputed”，则 X：形状为 (n_samples, n_samples) 的 {array-like, sparse matrix}，将 X 解释为根据样本计算的预计算邻接图。

y忽略

未使用，根据惯例为了 API 一致性而存在。

返回:
X_new形状为 (n_samples, n_components) 的 array-like

训练矩阵的谱嵌入。

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

一个包含路由信息的 MetadataRequest。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deep布尔型，默认值=True

如果为 True，将返回此估计器及其包含的作为估计器的子对象的参数。

返回:
params字典

参数名称及其对应的值。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单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。