谱嵌入 #
- 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。
根据指定的函数形成亲和矩阵，并对相应的图拉普拉斯算子应用谱分解。最终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。
在用户指南中了解更多信息。
- 参数：
- n_componentsint，默认为2
投影子空间的维数。
- affinity{'nearest_neighbors', 'rbf', 'precomputed', 'precomputed_nearest_neighbors'} 或 callable，默认为'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。callable：使用传入的函数作为亲和函数，该函数接收数据矩阵 (n_samples, n_features) 并返回亲和矩阵 (n_samples, n_samples)。
- gammafloat，默认为None
rbf 核的核系数。如果为 None，则 gamma 将设置为 1/n_features。
- random_stateint、RandomState 实例或 None，默认为 None
当
eigen_solver == 'amg'时，用于初始化 lobpcg 特征向量分解的伪随机数生成器，以及用于 K-Means 初始化的伪随机数生成器。使用 int 可以使结果在调用之间保持确定性（参见词汇表）。注意
当使用
eigen_solver == 'amg'时，还需要使用np.random.seed(int)来固定全局 numpy 种子以获得确定性结果。有关更多信息，请参见pyamg/pyamg#139。- eigen_solver{'arpack', 'lobpcg', 'amg'}，默认为 None
要使用的特征值分解策略。AMG 需要安装 pyamg。在非常大、稀疏的问题上，它可能更快。如果为 None，则使用
'arpack'。- eigen_tolfloat，默认为“auto”
拉普拉斯矩阵特征分解的停止准则。如果
eigen_tol="auto"，则传递的容差将取决于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，这将配置底层的lobpcg求解器，使其根据其启发式算法自动确定值。详情请参见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。1.2 版本中添加。
- n_neighborsint，默认为 None
最近邻图构建的最近邻数。如果为 None，则 n_neighbors 将设置为 max(n_samples/10, 1)。
- n_jobsint，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。有关更多详细信息，请参见词汇表。
- 属性：
另请参见
等度量映射 (Isomap)通过等距映射进行非线性降维。
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，n_features是特征数。如果 affinity 为“precomputed”，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 一致性而保留。
- 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转换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，n_features是特征数。如果 affinity 为“precomputed”，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 一致性而保留。
- 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
MetadataRequest封装了路由信息。
