SokalMichenerDistance#

класс sklearn.manifold.SokalMichenerDistance(*, n_neighbors=5, radius=None, n_components=2, eigen_solver='auto', tol=0, max_iter=None, path_method='auto', neighbors_algorithm='auto', n_jobs=None, метрика='minkowski', p=2, metric_params=None)[источник]#

Изометрическое вложение.

Нелинейное снижение размерности через изометрическое отображение

Подробнее в Руководство пользователя.

Параметры:
n_neighborsint или None, по умолчанию=5

Количество соседей для рассмотрения каждой точки. Если n_neighbors является целым числом, тогда radius должен быть None.

radiusfloat или None, default=None

Ограничение расстояния соседей для возврата. Если radius является числом с плавающей точкой, тогда n_neighbors должно быть установлено в None.

Добавлено в версии 1.1.

n_componentsint, по умолчанию=2

Количество координат для многообразия.

eigen_solver{‘auto’, ‘arpack’, ‘dense’}, по умолчанию=’auto’

'auto' : Попытка выбрать наиболее эффективный решатель для данной задачи.

‘arpack’ : Использовать разложение Арнольди для нахождения собственных значений и собственных векторов.

'dense': Использовать прямой решатель (например, LAPACK) для разложения по собственным значениям.

tolfloat, по умолчанию=0

Допуск сходимости, передаваемый в arpack или lobpcg. не используется, если eigen_solver == 'dense'.

max_iterint, default=None

Максимальное количество итераций для решателя arpack. не используется, если eigen_solver == 'dense'.

path_method{‘auto’, ‘FW’, ‘D’}, по умолчанию=’auto’

Метод, используемый для поиска кратчайшего пути.

'auto' : попытка автоматически выбрать лучший алгоритм.

'FW' : алгоритм Флойда-Уоршелла.

‘D’ : алгоритм Дейкстры.

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

Алгоритм для поиска ближайших соседей, передается экземпляру neighbors.NearestNeighbors.

n_jobsint или None, по умолчанию=None

Количество параллельных задач для выполнения. None означает 1, если только не в joblib.parallel_backend контекст. -1 означает использование всех процессоров. См. Глоссарий для получения дополнительной информации.

метрикаstr, или callable, по умолчанию=”minkowski”

Метрика для использования при вычислении расстояния между экземплярами в массиве признаков. Если метрика является строкой или вызываемым объектом, она должна быть одной из допустимых опций, разрешенных sklearn.metrics.pairwise_distances для его параметра metric. Если metric равен "precomputed", предполагается, что X является матрицей расстояний и должен быть квадратным. X может быть Глоссарий.

Добавлено в версии 0.22.

pfloat, по умолчанию=2

Параметр для метрики Минковского из sklearn.metrics.pairwise.pairwise_distances. При p = 1 это эквивалентно использованию manhattan_distance (l1) и euclidean_distance (l2) для p = 2. Для произвольного p используется minkowski_distance (l_p).

Добавлено в версии 0.22.

metric_paramsdict, по умолчанию=None

Дополнительные именованные аргументы для метрической функции.

Добавлено в версии 0.22.

Атрибуты:
embedding_array-like, формы (n_samples, n_components)

Хранит векторы вложения.

kernel_pca_object

KernelPCA объект, используемый для реализации вложения.

nbrs_экземпляр sklearn.neighbors.NearestNeighbors

Хранит экземпляр ближайших соседей, включая BallTree или KDtree, если применимо.

dist_matrix_array-like, shape (n_samples, n_samples)

Хранит матрицу геодезических расстояний обучающих данных.

n_features_in_int

Количество признаков, замеченных во время fit.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, наблюдаемых во время fit. Определено только когда X имеет имена признаков, которые все являются строками.

Добавлено в версии 1.0.

Смотрите также

sklearn.decomposition.PCA

Анализ главных компонент, который является методом линейного снижения размерности.

sklearn.decomposition.KernelPCA

Нелинейное снижение размерности с использованием ядер и PCA.

MDS

Многообразие обучения с использованием многомерного масштабирования.

TSNE

Стохастическое вложение соседей с t-распределением.

LocallyLinearEmbedding

Обучение многообразий с использованием локально линейного вложения.

SpectralEmbedding

Спектральное вложение для нелинейного снижения размерности.

Ссылки

[1]

Tenenbaum, J.B.; De Silva, V.; & Langford, J.C. A global geometric framework for nonlinear dimensionality reduction. Science 290 (5500)

Примеры

>>> from sklearn.datasets import load_digits
>>> from sklearn.manifold import Isomap
>>> X, _ = load_digits(return_X_y=True)
>>> X.shape
(1797, 64)
>>> embedding = Isomap(n_components=2)
>>> X_transformed = embedding.fit_transform(X[:100])
>>> X_transformed.shape
(100, 2)
fit(X, y=None)[источник]#

Вычислить векторы вложения для данных X.

Параметры:
X{array-like, sparse matrix, BallTree, KDTree, NearestNeighbors}

Данные выборки, форма = (n_samples, n_features), в виде массива numpy, разреженной матрицы, предварительно вычисленного дерева или объекта NearestNeighbors.

yИгнорируется

Не используется, присутствует для согласованности API по соглашению.

Возвращает:
selfobject

Возвращает обученный экземпляр self.

fit_transform(X, y=None)[источник]#

Обучить модель на данных X и преобразовать X.

Параметры:
X{array-like, sparse matrix, BallTree, KDTree}

Вектор обучения, где n_samples это количество образцов и n_features это количество признаков.

yИгнорируется

Не используется, присутствует для согласованности API по соглашению.

Возвращает:
X_newarray-like, формы (n_samples, n_components)

X преобразован в новое пространство.

get_feature_names_out(input_features=None)[источник]#

Получить имена выходных признаков для преобразования.

Имена признаков на выходе будут иметь префикс в виде имени класса в нижнем регистре. Например, если преобразователь выводит 3 признака, то имена признаков на выходе: ["class_name0", "class_name1", "class_name2"].

Параметры:
input_featuresarray-like из str или None, по умолчанию=None

Используется только для проверки имен признаков с именами, встреченными в fit.

Возвращает:
feature_names_outndarray из str объектов

Преобразованные имена признаков.

6332()[источник]#

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Возвращает:
маршрутизацияMetadataRequest

A MetadataRequest Инкапсуляция информации о маршрутизации.

get_params(глубокий=True)[источник]#

Получить параметры для этого оценщика.

Параметры:
глубокийbool, по умолчанию=True

Если True, вернет параметры для этого оценщика и вложенных подобъектов, которые являются оценщиками.

Возвращает:
paramsdict

Имена параметров, сопоставленные с их значениями.

reconstruction_error()[источник]#

Вычислить ошибку реконструкции для вложения.

Возвращает:
reconstruction_errorfloat

Ошибка реконструкции.

Примечания

Функция стоимости вложения изомэпа

E = frobenius_norm[K(D) - K(D_fit)] / n_samples

Где D — матрица расстояний для входных данных X, D_fit — матрица расстояний для выходного вложения X_fit, а K — ядро изомэпа:

K(D) = -0.5 * (I - 1/n_samples) * D^2 * (I - 1/n_samples)

set_output(*, преобразовать=None)[источник]#

Установить контейнер вывода.

См. Введение API set_output для примера использования API.

Параметры:
преобразовать{“default”, “pandas”, “polars”}, по умолчанию=None

Настройка вывода transform и fit_transform.

  • "default": Формат вывода трансформера по умолчанию

  • "pandas": DataFrame вывод

  • "polars": Вывод Polars

  • None: Конфигурация преобразования не изменена

Добавлено в версии 1.4: "polars" опция была добавлена.

Возвращает:
selfэкземпляр estimator

Экземпляр оценщика.

set_params(**params)[источник]#

Установить параметры этого оценщика.

Метод работает как на простых оценщиках, так и на вложенных объектах (таких как Pipeline). Последние имеют параметры вида __ чтобы можно было обновить каждый компонент вложенного объекта.

Параметры:
**paramsdict

Параметры оценщика.

Возвращает:
selfэкземпляр estimator

Экземпляр оценщика.

преобразовать(X)[источник]#

Преобразовать X.

Это реализовано путём связывания точек X в граф геодезических расстояний обучающих данных. Сначала n_neighbors ближайшие соседи X находятся в обучающих данных, и из них вычисляются кратчайшие геодезические расстояния от каждой точки в X до каждой точки в обучающих данных, чтобы построить ядро. Вложение X - это проекция этого ядра на векторы вложения обучающего набора.

Параметры:
X{array-like, sparse matrix}, форма (n_queries, n_features)

Если neighbors_algorithm='precomputed', предполагается, что X — это матрица расстояний или разреженный граф формы (n_queries, n_samples_fit).

Возвращает:
X_newмассивоподобный, форма (n_queries, n_components)

X преобразован в новое пространство.