radius_neighbors_graph

sklearn.neighbors.radius_neighbors_graph(X, radius, *, mode='connectivity', метрика='minkowski', p=2, metric_params=None, include_self=False, n_jobs=None)

Вычислить (взвешенный) граф соседей для точек в X.

Окрестности ограничены точками на расстоянии меньше радиуса.

Подробнее в Руководство пользователя.

Параметры:

X{array-like, sparse matrix} формы (n_samples, n_features)

Пример данных.

radiusfloat

Радиус окрестностей.

mode{'connectivity', 'distance'}, по умолчанию='connectivity'

Тип возвращаемой матрицы: 'connectivity' вернёт матрицу связности с единицами и нулями, а 'distance' вернёт расстояния между соседями в соответствии с заданной метрикой.

метрикаstr, по умолчанию='minkowski'

Метрика для вычисления расстояния. По умолчанию “minkowski”, что дает стандартное евклидово расстояние при p = 2. См. документацию scipy.spatial.distance и метрики, перечисленные в distance_metrics для допустимых значений метрик.

pfloat, по умолчанию=2

Степенной параметр для метрики Минковского. При p = 1 это эквивалентно использованию manhattan_distance (l1) и euclidean_distance (l2) при p = 2. Для произвольного p используется minkowski_distance (l_p).

metric_paramsdict, по умолчанию=None

Дополнительные именованные аргументы для метрической функции.

include_selfbool или 'auto', по умолчанию=False

Следует ли отмечать каждый образец как ближайшего соседа к самому себе. Если 'auto', то True используется для mode='connectivity' и False для mode='distance'.

n_jobsint, default=None

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

Возвращает:

Aразреженная матрица формы (n_samples, n_samples)

Граф, где A[i, j] присваивается вес ребра, соединяющего i с j. Матрица имеет формат CSR.

Смотрите также

kneighbors_graph

Вычислить взвешенный граф k-ближайших соседей для точек в X.

Примеры

>>> X = [[0], [3], [1]]
>>> from sklearn.neighbors import radius_neighbors_graph
>>> A = radius_neighbors_graph(X, 1.5, mode='connectivity',
...                            include_self=True)
>>> A.toarray()
array([[1., 0., 1.],
       [0., 1., 0.],
       [1., 0., 1.]])