kneighbors_graph#

sklearn.neighbors.kneighbors_graph(X, n_neighbors, *, mode='connectivity', metric='minkowski', p=2, metric_params=None, include_self=False, n_jobs=None)[源代码]#

计算 X 中点的 k-Neighbors（加权）图。

在用户指南中阅读更多内容。

参数:
Xshape 为 (n_samples, n_features) 的 {array-like, sparse matrix}

样本数据。

n_neighborsint

每个样本的邻居数量。

mode{‘connectivity’, ‘distance’}, default=’connectivity’

返回矩阵的类型：‘connectivity’将返回连接矩阵，其中包含1和0，‘distance’将根据给定的度量返回邻居之间的距离。

metricstr, 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。

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。

metric_paramsdict, default=None

度量函数的附加关键字参数。

include_selfbool or ‘auto’, default=False

是否将每个样本标记为其自身的第一个最近邻。如果为 ‘auto’，则对于 mode=’connectivity’，使用 True，对于 mode=’distance’，使用 False。

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。

返回:
A稀疏矩阵，形状为 (n_samples, n_samples)

图，其中 A[i, j] 被赋予连接 i 和 j 的边的权重。矩阵为 CSR 格式。

另请参阅

radius_neighbors_graph

计算 X 中点的 Neighbors（加权）图。

示例

>>> X = [[0], [3], [1]]
>>> from sklearn.neighbors import kneighbors_graph
>>> A = kneighbors_graph(X, 2, mode='connectivity', include_self=True)
>>> A.toarray()
array([[1., 0., 1.],
       [0., 1., 1.],
       [1., 0., 1.]])