LabelPropagation#

class sklearn.semi_supervised.LabelPropagation(kernel='rbf', *, gamma=20, n_neighbors=7, max_iter=1000, tol=0.001, n_jobs=None)[源]#

标签传播分类器。

在用户指南中阅读更多内容。

参数:

kernel{‘knn’, ‘rbf’} 或可调用对象，默认值为‘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，默认值为 20: RBF 核的参数。
n_neighbors整数，默认值为 7: KNN 核的参数，必须严格为正。
max_iter整数，默认值为 1000: 更改允许的最大迭代次数。
tol浮点数，默认值为 1e-3: 收敛容差：用于判断系统达到稳态的阈值。
n_jobs整数，默认值为 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。详情请参阅术语表。

属性:

X_形状为 (n_samples, n_features) 的 {类数组，稀疏矩阵}: 输入数组。
classes_形状为 (n_classes,) 的 ndarray: 用于对实例进行分类的独特标签。
label_distributions_形状为 (n_samples, n_classes) 的 ndarray: 每个项目的分类分布。
transduction_形状为 (n_samples) 的 ndarray: 拟合（fit）期间分配给每个项目的标签。
n_features_in_整数: 拟合（fit）期间看到的特征数量。

在 0.24 版本中新增。
feature_names_in_形状为 (n_features_in_,) 的 ndarray: 拟合（fit）期间看到的特征名称。仅当 X 的所有特征名称均为字符串时才定义。

在 1.0 版本中新增。
n_iter_整数: 运行的迭代次数。

另请参阅

LabelSpreading: 另一种对噪声更鲁棒的标签传播策略。

参考文献

Xiaojin Zhu and Zoubin Ghahramani. Learning from labeled and unlabeled data with label propagation. Technical Report CMU-CALD-02-107, Carnegie Mellon University, 2002 http://pages.cs.wisc.edu/~jerryzhu/pub/CMU-CALD-02-107.pdf

示例

>>> import numpy as np
>>> from sklearn import datasets
>>> from sklearn.semi_supervised import LabelPropagation
>>> label_prop_model = LabelPropagation()
>>> 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)
LabelPropagation(...)

fit(X, y)[源]#

使用 X 拟合半监督标签传播模型。

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 是样本数量，n_features 是特征数量。
y形状为 (n_samples,) 的类数组: 目标类别值，其中未标记点标记为 -1。所有未标记样本将在内部以转导方式分配标签，这些标签存储在 transduction_ 中。

返回:

self对象: 返回实例本身。

get_metadata_routing()[源]#

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)[源]#

获取此评估器的参数。

参数:

deep布尔值，默认值为 True: 如果为 True，将返回此评估器以及所包含的子对象（如果它们是评估器）的参数。

返回:

params字典: 参数名称及其对应值的映射。

predict(X)[源]#

对模型执行归纳推理。

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)[源]#

预测每个可能结果的概率。

计算 X 中每个单一样本的概率估计，以及训练期间看到的每个可能结果（分类分布）。

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)[源]#

返回在提供的数据和标签上的准确率（accuracy）。

在多标签分类中，这是子集准确率，它是一个严苛的指标，因为它要求每个样本的每个标签集都必须正确预测。

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，默认值为 None: 样本权重。

返回:

score浮点数: 相对 y，self.predict(X) 的平均准确率。

set_params(**params)[源]#

设置此评估器的参数。

此方法适用于简单评估器以及嵌套对象（例如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，以便可以更新嵌套对象的每个组件。

参数:

**params字典: 评估器参数。

返回:

self评估器实例: 评估器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → LabelPropagation[源]#

请求传递给 score 方法的元数据。

请注意，此方法仅在 enable_metadata_routing=True 时才相关（参见 sklearn.set_config）。请参阅用户指南以了解路由机制的工作原理。

每个参数的选项如下：

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，则请求将被忽略。
False：不请求元数据，并且元评估器不会将其传递给 score。
None：不请求元数据，如果用户提供元数据，则元评估器将引发错误。
str：元数据应以给定的别名而不是原始名称传递给元评估器。

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。

在 1.3 版本中新增。

注意

此方法仅当此评估器用作元评估器的子评估器时（例如，在 Pipeline 内部使用时）才相关。否则，它没有效果。

参数:

sample_weight字符串、True、False 或 None，默认值为 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。

LabelPropagation#

本页面