标签传播

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

标签传播分类器。

更多信息请参见 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'字符串是有效的输入。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，默认为20

RBF核的参数。

n_neighbors整数，默认为7

KNN核的参数，必须为严格正数。

max_iter整数，默认为1000

更改允许的最大迭代次数。

tol浮点数，1e-3

收敛容忍度：认为系统处于稳定状态的阈值。

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。更多详情请参见 词汇表。

属性：

X_形状为 (n_samples, n_features) 的 {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_int

在 拟合 期间看到的特征数量。

在 0.24 版本中添加。

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 的特征名称全部为字符串时才定义。

在 1.0 版本中添加。

n_iter_int

运行的迭代次数。

另请参见

标签扩散

对噪声更稳健的另一种标签传播策略。

参考文献

Xiaojin Zhu 和 Zoubin Ghahramani。利用标签传播从带标签和未标签数据中学习。卡内基梅隆大学技术报告 CMU-CALD-02-107，2002 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)

将半监督标签传播模型拟合到 X。

参数：

X形状为 (n_samples, n_features) 的 {数组、稀疏矩阵}

训练数据，其中 n_samples 是样本数，n_features 是特征数。

y形状为 (n_samples,) 的数组

目标类别值，其中未标记的点标记为 -1。所有未标记的样本都将在内部被转导地分配标签，这些标签存储在 transduction_ 中。

返回值：

self对象

返回实例本身。

get_metadata_routing()

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。

返回值：

routingMetadataRequest

一个 MetadataRequest 封装了路由信息。

get_params(deep=True)

获取此估计器的参数。

参数：

deepbool，默认为 True

如果为 True，则将返回此估计器和包含的子对象（也是估计器）的参数。

返回值：

paramsdict

参数名称与其值的映射。

predict(X)

在模型上执行归纳推理。

参数：

X形状为 (n_samples, n_features) 的类数组

数据矩阵。

返回值：

y形状为 (n_samples,) 的 ndarray

输入数据的预测值。

predict_proba(X)

预测每个可能结果的概率。

计算 X 中每个样本和训练期间看到的每个可能结果的概率估计值（类别分布）。

参数：

X形状为 (n_samples, n_features) 的类数组

数据矩阵。

返回值：

probabilities形状为 (n_samples, n_classes) 的 ndarray

类别标签上的归一化概率分布。

score(X, y, sample_weight=None)

返回给定测试数据和标签上的平均准确率。

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

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

用于X的真实标签。

sample_weightarray-like of shape (n_samples,), default=None

样本权重。

返回值：

scorefloat

self.predict(X)相对于y的平均准确率。

set_params(**params)

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（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：

**paramsdict

估计器参数。

返回值：

selfestimator instance

估计器实例。

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

请求传递给score方法的元数据。

请注意，只有在enable_metadata_routing=True时（参见sklearn.set_config），此方法才相关。请参阅用户指南，了解路由机制的工作原理。

每个参数的选项为

• 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，则忽略请求。

• 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：元数据应使用此给定的别名而不是原始名称传递给元估计器。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而不对其他参数进行更改。

版本1.3中添加。

注意

仅当将此估计器用作元估计器的子估计器（例如，在Pipeline中使用）时，此方法才相关。否则，它无效。

参数：

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

score中sample_weight参数的元数据路由。

返回值：

self对象

更新后的对象。