RadiusNeighborsClassifier#

class sklearn.neighbors.RadiusNeighborsClassifier(radius=1.0, *, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', outlier_label=None, metric_params=None, n_jobs=None)[源代码]#

实现给定半径内邻居投票的分类器。

在用户指南中阅读更多内容。

参数:

radiusfloat, default=1.0

默认情况下，用于 radius_neighbors 查询的参数空间范围。

weights{‘uniform’, ‘distance’}, callable 或 None, 默认值=’uniform’

预测中使用的权重函数。可能的值：

‘uniform’：均匀权重。邻域中的所有点都具有相同的权重。
‘distance’：按距离的倒数对点进行加权。在这种情况下，查询点越近的邻居将比越远的邻居具有更大的影响力。
[callable] : 一个用户定义的函数，它接受一个距离数组，并返回一个具有相同形状的数组，其中包含权重。

默认使用均匀权重。

algorithm{‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}, default=’auto’

用于计算最近邻居的算法

‘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：对稀疏输入进行拟合将覆盖此参数的设置，使用暴力方法。

leaf_sizeint, default=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。

pfloat, default=2

Minkowski 度量的幂参数。当 p = 1 时，这相当于使用 manhattan_distance (l1)，而 p = 2 时使用 euclidean_distance (l2)。对于任意 p，使用 minkowski_distance (l_p)。此参数预期为正数。

metricstr or callable, default=’minkowski’

用于距离计算的度量。默认为“minkowski”，当 p = 2 时，它会产生标准的欧几里得距离。有关有效的度量值，请参阅scipy.spatial.distance的文档以及distance_metrics中列出的度量。

如果 metric 为 “precomputed”，则 X 被假定为一个距离矩阵，并且在 fit 时必须是方形的。X 可以是稀疏图，在这种情况下，只有“非零”元素可能被视为邻居。

如果 metric 是可调用函数，它接受表示 1D 向量的两个数组作为输入，并且必须返回一个值来指示这些向量之间的距离。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。

outlier_label{手动标签, ‘most_frequent’}, 默认=None

异常值样本的标签（在给定半径内没有邻居的样本）。

手动标签：str 或 int 标签（应与 y 的类型相同），如果使用多输出，则为手动标签列表。
‘most_frequent’ ：将 y 的最常见标签分配给异常值。
None ：检测到任何异常值时，将引发 ValueError。

异常值标签应从唯一的 ‘Y’ 标签中选择。如果指定了不同的值，将发出警告，并将所有异常值的类概率都设置为 0。

metric_paramsdict, default=None

度量函数的附加关键字参数。

n_jobsint, default=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。有关详细信息，请参阅词汇表。

属性:

classes_ndarray of shape (n_classes,): 分类器已知的类标签。
effective_metric_str 或 callable: 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_dict: 度量函数的附加关键字参数。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_int: 在拟合期间看到的特征数。

0.24 版本新增。
feature_names_in_shape 为 (n_features_in_,) 的 ndarray: 在 fit 期间看到的特征名称。仅当 X 具有全部为字符串的特征名称时才定义。

1.0 版本新增。
n_samples_fit_int: 拟合数据中的样本数量。
outlier_label_int 或 array-like，形状为 (n_class,): 为异常值样本（在给定半径内没有邻居的样本）指定的标签。
outputs_2d_bool: 在 fit 期间，当 `y` 的形状为 (n_samples, ) 或 (n_samples, 1) 时为 False，否则为 True。

另请参阅

KNeighborsClassifier: 实现 k 最近邻投票的分类器。
RadiusNeighborsRegressor: 基于固定半径内邻居的回归。
KNeighborsRegressor: 基于 k 最近邻的回归。
NearestNeighbors: 用于实现邻居搜索的无监督学习器。

注意事项

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 RadiusNeighborsClassifier
>>> neigh = RadiusNeighborsClassifier(radius=1.0)
>>> neigh.fit(X, y)
RadiusNeighborsClassifier(...)
>>> print(neigh.predict([[1.5]]))
[0]
>>> print(neigh.predict_proba([[1.0]]))
[[0.66666667 0.33333333]]

fit(X, y)[源代码]#

从训练数据集中拟合半径近邻分类器。

参数:

X{类数组, 稀疏矩阵}，形状为 (n_samples, n_features) 或 (n_samples, n_samples) 如果 metric='precomputed': 训练数据。
y{array-like, sparse matrix} of shape (n_samples,) or (n_samples, n_outputs): 目标值。

返回:

selfRadiusNeighborsClassifier: 已拟合的半径近邻分类器。

get_metadata_routing()[源代码]#

获取此对象的元数据路由。

请查阅用户指南，了解路由机制如何工作。

返回:

routingMetadataRequest: 封装路由信息的 MetadataRequest。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数:

deepbool, default=True: 如果为 True，将返回此估计器以及包含的子对象（如果它们是估计器）的参数。

返回:

paramsdict: 参数名称映射到其值。

predict(X)[源代码]#

预测输入数据的类标签。

参数:

X{array-like, sparse matrix} of shape (n_queries, n_features), or (n_queries, n_indexed) if metric == ‘precomputed’, or None: 测试样本。如果为 None，则返回所有索引点的预测；在这种情况下，点不被视为其自身的邻居。

返回:

yndarray，形状为 (n_queries,) 或 (n_queries, n_outputs): 每个数据样本的类标签。

predict_proba(X)[源代码]#

返回测试数据 X 的概率估计。

参数:

X{array-like, sparse matrix} of shape (n_queries, n_features), or (n_queries, n_indexed) if metric == ‘precomputed’, or None: 测试样本。如果为 None，则返回所有索引点的预测；在这种情况下，点不被视为其自身的邻居。

返回:

pndarray，形状为 (n_queries, n_classes)，或当 n_outputs > 1 时，为包含此类数组的列表（长度为 n_outputs）。: 输入样本的类概率。类按字典顺序排序。

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

查找点或点在给定半径内的邻居。

返回查询数组的点在半径为 radius 的球体内的点到数据集的距离和索引。边界上的点包含在结果中。

结果点不一定按与查询点的距离排序。

参数:

X{array-like, sparse matrix} of (n_samples, n_features), default=None: 查询点或点集。如果未提供，则返回每个索引点的邻居。在这种情况下，查询点不被视为其自身的邻居。
radiusfloat, default=None: 返回邻居的限制距离。默认值为传递给构造函数的该值。
return_distance布尔值，默认=True: 是否返回距离。
sort_resultsbool, default=False: 如果为 True，则在返回之前，距离和索引将按递增距离排序。如果为 False，则结果可能未排序。如果 return_distance=False，则设置 sort_results=True 将导致错误。

版本 0.22 新增。

返回:

neigh_distndarray of shape (n_samples,) of arrays: 表示到每个点的距离的数组，仅当 return_distance=True 时才存在。距离值根据 metric 构造函数参数计算。
neigh_indndarray of shape (n_samples,) of arrays: 一个数组，包含位于查询点周围大小为 radius 的球体内的近邻点的索引数组。

注意事项

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不能装入标准数据数组。为了提高效率，radius_neighbors 返回对象数组，其中每个对象是索引或距离的 1D 数组。

示例

在下面的示例中，我们根据表示数据集的数组构建了一个 NeighborsClassifier 类，并询问 [1, 1, 1] 的最近点是谁。

>>> 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小于 1.6 的点的距离，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)[源代码]#

计算 X 中点的 Neighbors（加权）图。

邻域被限制在距离小于半径的点。

参数:

X{array-like, sparse matrix} of shape (n_samples, n_features), default=None: 查询点或点集。如果未提供，则返回每个索引点的邻居。在这种情况下，查询点不被视为其自身的邻居。
radiusfloat, default=None: 邻域的半径。默认值为传递给构造函数的该值。
mode{‘connectivity’, ‘distance’}, default=’connectivity’: 返回矩阵的类型：‘connectivity’ 将返回包含 1 和 0 的连通性矩阵，‘distance’ 中边是点之间的距离，距离类型取决于 NearestNeighbors 类中选择的度量参数。
sort_resultsbool, default=False: 如果为 True，则在结果的每一行中，非零条目将按递增距离排序。如果为 False，则非零条目可能未排序。仅当 mode='distance' 时使用。

版本 0.22 新增。

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。矩阵为 CSR 格式。

另请参阅

kneighbors_graph: 计算 X 中点的 k-Neighbors（加权）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)[源代码]#

Return the mean accuracy on the given test data and labels.

在多标签分类中，这是子集准确率 (subset accuracy)，这是一个严格的指标，因为它要求每个样本的每个标签集都被正确预测。

参数:

Xarray-like，形状为 (n_samples, n_features)，或 None: 测试样本。如果为 `None`，则使用所有索引点的预测；在这种情况下，点不被视为自身的邻居。这意味着 `knn.fit(X, y).score(None, y)` 隐式执行留一法交叉验证过程，并且等效于 `cross_val_score(knn, X, y, cv=LeaveOneOut())`，但通常快得多。
yshape 为 (n_samples,) 或 (n_samples, n_outputs) 的 array-like: X 的真实标签。
sample_weightshape 为 (n_samples,) 的 array-like, default=None: 样本权重。

返回:

scorefloat: self.predict(X) 相对于 y 的平均准确率。

set_params(**params)[源代码]#

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（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:

**paramsdict: 估计器参数。

返回:

selfestimator instance: 估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → RadiusNeighborsClassifier[源代码]#

配置是否应请求元数据以传递给 score 方法。

请注意，此方法仅在以下情况下相关：此估计器用作元估计器中的子估计器，并且通过 enable_metadata_routing=True 启用了元数据路由（请参阅 sklearn.set_config）。请查看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：应将元数据以给定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。

在版本 1.3 中新增。

参数:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED: score 方法中 sample_weight 参数的元数据路由。

返回:

selfobject: 更新后的对象。

RadiusNeighborsClassifier#

本页