RadiusNeighborsRegressor#

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。

目标通过训练集中最近邻居相关联的目标的局部插值来预测。

在用户指南中阅读更多内容。

在 0.9 版本中添加。

参数:

radius浮点型, 默认值=1.0

默认情况下，用于radius_neighbors查询的参数空间范围。

weights{'uniform', 'distance'}, 可调用对象或None, 默认值='uniform'

预测中使用的权重函数。可能的值：

‘uniform’ : 统一权重。每个邻域中的所有点都被同等加权。
‘distance’ : 按距离的倒数加权点。在这种情况下，查询点附近更近的邻居将比更远的邻居具有更大的影响力。
[可调用对象] : 用户定义的函数，接受一个距离数组，并返回一个形状相同的包含权重的数组。

默认使用统一权重。

algorithm{'auto', 'ball_tree', 'kd_tree', 'brute'}, 默认值='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方法的值来决定最合适的算法。

注意：在稀疏输入上进行拟合将覆盖此参数的设置，使用暴力搜索。

leaf_size整型, 默认值=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。

p浮点型, 默认值=2

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

metric字符串或可调用对象, 默认值='minkowski'

用于距离计算的度量。默认为“minkowski”，当 p = 2 时，它表示标准欧几里得距离。有关有效度量值，请参见scipy.spatial.distance的文档以及distance_metrics中列出的度量。

如果度量是“precomputed”（预计算），则X被假定为距离矩阵，并且在拟合期间必须是方阵。X可以是稀疏图，在这种情况下，只有“非零”元素才被视为邻居。

如果度量是一个可调用函数，它接受两个表示一维向量的数组作为输入，并且必须返回一个表示这些向量之间距离的值。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_params字典, 默认值=None

度量函数的额外关键字参数。

n_jobs整型, 默认值=None

用于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。有关更多详细信息，请参见术语表。

属性:

effective_metric_字符串或可调用对象: 要使用的距离度量。它将与metric参数相同或其同义词，例如，如果metric参数设置为“minkowski”且p参数设置为2，则为“euclidean”。
effective_metric_params_字典: 度量函数的额外关键字参数。对于大多数度量，将与metric_params参数相同，但如果effective_metric_属性设置为“minkowski”，也可能包含p参数值。
n_features_in_整型: 在拟合期间看到的特征数量。

在 0.24 版本中添加。
feature_names_in_形状为 (n_features_in_,) 的 ndarray: 在拟合期间看到的特征名称。仅当X的特征名称全为字符串时才定义。

在 1.0 版本中添加。
n_samples_fit_整型: 拟合数据中的样本数量。

另请参见

NearestNeighbors: 用于实现邻居搜索的无监督学习器。
KNeighborsRegressor: 基于 k-最近邻的回归。
KNeighborsClassifier: 基于 k-最近邻的分类器。
RadiusNeighborsClassifier: 基于给定半径内邻居的分类器。

备注

有关algorithm和leaf_size选择的讨论，请参阅在线文档中的最近邻。

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)[source]#

从训练数据集拟合半径邻居回归器。

参数:

X{类数组, 稀疏矩阵} 形状为 (n_samples, n_features)；如果 metric='precomputed' 则形状为 (n_samples, n_samples): 训练数据。
y{类数组, 稀疏矩阵} 形状为 (n_samples,) 或 (n_samples, n_outputs): 目标值。

返回:

selfRadiusNeighborsRegressor: 拟合的半径邻居回归器。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南以了解路由机制的工作原理。

返回:

routingMetadataRequest: 一个封装了路由信息的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。

predict(X)[source]#

预测所提供数据的目标。

参数:

X{类数组, 稀疏矩阵} 形状为 (n_queries, n_features)；如果 metric == 'precomputed' 则形状为 (n_queries, n_indexed)；或 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，点不被视为其自身的邻居。

返回:

y形状为 (n_queries,) 或 (n_queries, n_outputs) 的 ndarray, 数据类型=double: 目标值。

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

查找一个或多个点在给定半径内的邻居。

返回数据集中位于查询点数组周围、半径为radius的球体内的每个点的索引和距离。位于边界上的点也包含在结果中。

结果点不一定按到其查询点的距离排序。

参数:

X{类数组, 稀疏矩阵} 形状为 (n_samples, n_features), 默认值=None: 查询点或多个查询点。如果未提供，则返回每个已索引点的邻居。在这种情况下，查询点不被视为其自身的邻居。
radius浮点型, 默认值=None: 返回邻居的限制距离。默认值为传递给构造函数的值。
return_distance布尔型, 默认值=True: 是否返回距离。
sort_results布尔型, 默认值=False: 如果为 True，距离和索引在返回之前将按距离递增排序。如果为 False，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 ndarray: 表示到每个点的距离的数组，仅当return_distance=True时存在。距离值根据metric构造函数参数计算。
neigh_ind形状为 (n_samples,) 的数组 ndarray: 一个由数组组成的数组，其中包含群体矩阵中近似最近点的索引，这些点位于查询点周围半径为radius的球体内。

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，其中每个对象都是一个一维的索引或距离数组。

示例

在以下示例中，我们从表示数据集的数组构建了一个 NeighborsClassifier 类，并询问距离 [1, 1, 1] 最近的点是哪个

>>> 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）邻居图。

邻域被限制在距离小于半径的点。

参数:

X{类数组, 稀疏矩阵} 形状为 (n_samples, n_features), 默认值=None: 查询点或多个查询点。如果未提供，则返回每个已索引点的邻居。在这种情况下，查询点不被视为其自身的邻居。
radius浮点型, 默认值=None: 邻域的半径。默认值为传递给构造函数的值。
mode{'connectivity', 'distance'}, 默认值='connectivity': 返回矩阵的类型：'connectivity' 将返回由1和0组成的连通性矩阵，'distance' 中边是点之间的距离，距离类型取决于 NearestNeighbors 类中选定的度量参数。
sort_results布尔型, 默认值=False: 如果为 True，结果的每一行中，非零条目将按距离递增排序。如果为 False，非零条目可能未排序。仅在 mode='distance' 时使用。

在 0.22 版本中添加。

返回:

A稀疏矩阵, 形状为 (n_queries, n_samples_fit): n_samples_fit是拟合数据中的样本数量。A[i, j]给出连接i到j的边的权重。该矩阵为CSR格式。

另请参见

kneighbors_graph: 计算 X 中点的（加权）k-邻居图。

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]#

返回测试数据的决定系数。

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()。最佳得分是 1.0，它也可以是负数（因为模型可能任意差）。一个总是预测y期望值而不考虑输入特征的常数模型将获得 0.0 的$R^2$分数。

参数:

X类数组, 形状为 (n_samples, n_features): 测试样本。对于某些估计器，这可能是一个预计算的核矩阵，或者是一个通用对象列表，其形状为(n_samples, n_samples_fitted)，其中n_samples_fitted是估计器拟合中使用的样本数量。
y类数组, 形状为 (n_samples,) 或 (n_samples, n_outputs): X的真实值。
sample_weight类数组, 形状为 (n_samples,), 默认值=None: 样本权重。

返回:

score浮点型: self.predict(X)相对于y的$R^2$得分。

备注

在对回归器调用score时使用的$R^2$得分从 0.23 版本开始使用multioutput='uniform_average'，以与r2_score的默认值保持一致。这影响了所有多输出回归器（除了MultiOutputRegressor）的score方法。

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（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时相关（请参阅sklearn.set_config）。请参阅用户指南以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，则将其传递给score。如果未提供元数据，则忽略该请求。
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: 元数据应使用此别名而非原始名称传递给元估计器。

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

在 1.3 版本中添加。

注意

此方法仅当此估计器用作元估计器的子估计器时才相关，例如在Pipeline内部使用。否则它没有效果。

参数:

sample_weight字符串, True, False, 或 None, 默认值=sklearn.utils.metadata_routing.UNCHANGED: score方法中sample_weight参数的元数据路由。

返回:

self对象: 更新后的对象。

RadiusNeighborsRegressor#

本页