LocallyLinearEmbedding#

класс sklearn.manifold.LocallyLinearEmbedding(*, n_neighbors=5, n_components=2, reg=0.001, eigen_solver='auto', tol=1e-06, max_iter=100, метод='standard', hessian_tol=0.0001, modified_tol=1e-12, neighbors_algorithm='auto', random_state=None, n_jobs=None)[источник]#

Локально-линейное вложение.

Подробнее в Руководство пользователя.

Параметры:
n_neighborsint, по умолчанию=5

Количество соседей для рассмотрения каждой точки.

n_componentsint, по умолчанию=2

Количество координат для многообразия.

regfloat, по умолчанию=1e-3

Константа регуляризации, умножает след локальной ковариационной матрицы расстояний.

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

Решатель, используемый для вычисления собственных векторов. Доступные варианты:

  • 'auto' : алгоритм попытается выбрать наилучший метод для входных данных.

  • 'arpack' : используйте итерацию Арнольди в режиме сдвига-инверсии. Для этого метода M может быть плотной матрицей, разреженной матрицей или общим линейным оператором.

  • 'dense' : использует стандартные операции с плотными матрицами для разложения по собственным значениям. Для этого метода M должен быть массивом или матричным типом. Этот метод следует избегать для больших задач.

Предупреждение

ARPACK может быть нестабильным для некоторых задач. Лучше попробовать несколько случайных начальных значений, чтобы проверить результаты.

tolfloat, по умолчанию=1e-6

Допуск для метода 'arpack' Не используется, если eigen_solver=='dense'.

max_iterint, по умолчанию=100

Максимальное количество итераций для солвера arpack. Не используется, если eigen_solver=='dense'.

метод{'standard', 'hessian', 'modified', 'ltsa'}, по умолчанию='standard'

  • standard: используйте стандартный алгоритм локально линейного вложения. см. ссылку [1]

  • hessian: использовать метод собственных карт Гессиана. Этот метод требует n_neighbors > n_components * (1 + (n_components + 1) / 2. см. ссылку [2]

  • modified: используйте модифицированный алгоритм локально линейного вложения. см. ссылку [3]

  • ltsa: использует алгоритм локального выравнивания касательного пространства. см. ссылку [4]

hessian_tolfloat, по умолчанию=1e-4

Допуск для метода отображения собственных значений гессиана. Используется только если method == 'hessian'.

modified_tolfloat, default=1e-12

Допуск для модифицированного метода LLE. Используется только если method == 'modified'.

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

Алгоритм для поиска ближайших соседей, передаваемый в NearestNeighbors экземпляр.

random_stateint, экземпляр RandomState, по умолчанию=None

Определяет генератор случайных чисел, когда eigen_solver == ‘arpack’. Передайте int для воспроизводимых результатов при множественных вызовах функции. См. Глоссарий.

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.

Атрибуты:
embedding_array-like, shape [n_samples, n_components]

Хранит векторы вложений

reconstruction_error_float

Ошибка реконструкции, связанная с embedding_

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.

nbrs_объект NearestNeighbors

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

Смотрите также

SpectralEmbedding

Спектральное вложение для нелинейного уменьшения размерности.

TSNE

Распределенное стохастическое вложение соседей.

Ссылки

[1]

Roweis, S. & Saul, L. Nonlinear dimensionality reduction by locally linear embedding. Science 290:2323 (2000).

[2]

Донохо, Д. и Граймс, К. Собственные карты Гессиана: методы локально линейного вложения для данных высокой размерности. Proc Natl Acad Sci U S A. 100:5591 (2003).

[4]

Чжан, З. и Чжа, Х. Главные многообразия и нелинейное снижение размерности через выравнивание касательных пространств. Журнал Шанхайского университета. 8:406 (2004)

Примеры

>>> from sklearn.datasets import load_digits
>>> from sklearn.manifold import LocallyLinearEmbedding
>>> X, _ = load_digits(return_X_y=True)
>>> X.shape
(1797, 64)
>>> embedding = LocallyLinearEmbedding(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:
Xarray-like формы (n_samples, n_features)

Обучающий набор.

yИгнорируется

Не используется, присутствует здесь для согласованности API по соглашению.

Возвращает:
selfobject

Обученная LocallyLinearEmbedding экземпляр класса.

fit_transform(X, y=None)[источник]#

Вычисляет векторы вложения для данных X и преобразует X.

Параметры:
Xarray-like формы (n_samples, n_features)

Обучающий набор.

yИгнорируется

Не используется, присутствует здесь для согласованности API по соглашению.

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

Возвращает сам экземпляр.

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.

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]#

Преобразование новых точек в пространство вложений.

Параметры:
Xarray-like формы (n_samples, n_features)

Обучающий набор.

Возвращает:
X_newndarray формы (n_samples, n_components)

Возвращает сам экземпляр.

Примечания

Из-за масштабирования, выполняемого этим методом, не рекомендуется использовать его вместе с методами, которые не являются инвариантными к масштабу (как SVM).