LabelSpreading#
- 类 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 LabelSpreading 模型。
此模型与基本的标签传播算法相似，但使用基于归一化图拉普拉斯算子和标签软钳位的亲和矩阵。
详情请参阅用户指南。
- 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' 字符串是有效输入。传入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
rbf 核的参数。
- n_neighbors整数, 默认为 7
knn 核的参数，必须是一个严格正整数。
- alpha浮点数, 默认为 0.2
钳位因子。一个介于 (0, 1) 之间的值，指定实例从其邻居获取信息而不是保留其初始标签信息的相对量。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_iter整数, 默认为 30
允许的最大迭代次数。
- tol浮点数, 默认为 1e-3
收敛容差：判断系统达到稳态的阈值。
- n_jobs整数, 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。更多详情请参阅词汇表。
- 属性:
- X_形状为 (n_samples, n_features) 的 ndarray
输入数组。
- classes_形状为 (n_classes,) 的 ndarray
用于分类实例的不同标签。
- 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
在拟合期间分配给每个项目的标签。
- n_features_in_整数
在拟合期间看到的特征数量。
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。1.0 版本新增。
- n_iter_整数
运行的迭代次数。
另请参阅
LabelPropagation非正则化图半监督学习。
参考文献
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是样本数量，n_features是特征数量。- y形状为 (n_samples,) 的类数组
目标类别值，未标记点标记为 -1。所有未标记的样本将在内部以直推式方式分配标签，这些标签存储在
transduction_中。
- 返回:
- self对象
返回实例本身。
- get_metadata_routing()[source]#
获取此对象的元数据路由。
请查阅用户指南以了解路由机制的工作原理。
- 返回:
- routingMetadataRequest
一个封装路由信息的
MetadataRequest对象。
- get_params(deep=True)[source]#
获取此估计器的参数。
- 参数:
- deep布尔值, 默认为 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
参数名称映射到其值。
- predict(X)[source]#
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)[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每个可能结果（类别分布）的概率估计。
- 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]#
返回所提供数据和标签的准确率。
在多标签分类中，这是子集准确率，它是一个严格的度量，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，此方法仅在
enable_metadata_routing=True时相关（请参阅sklearn.set_config）。请查阅用户指南以了解路由机制的工作原理。每个参数的选项有
True: 请求元数据，如果提供则传递给score。如果未提供元数据，则请求被忽略。False: 不请求元数据，元估计器也不会将其传递给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) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。1.3 版本新增。
注意
此方法仅在将此估计器用作元估计器的子估计器时（例如，在
Pipeline内部使用时）才相关。否则，它没有效果。- 参数:
- sample_weightstr, True, False, 或 None, 默认为 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。
