RadiusNeighborsTransformer

class sklearn.neighbors.RadiusNeighborsTransformer(*, mode='distance', radius=1.0, algorithm='auto', leaf_size=30, metric='minkowski', p=2, metric_params=None, n_jobs=None)

Transformiert X in einen (gewichteten) Graphen von Nachbarn näher als ein Radius.

Die transformierten Daten sind ein dünner Graph, wie von radius_neighbors_graph zurückgegeben.

Lesen Sie mehr im Benutzerhandbuch.

Hinzugefügt in Version 0.22.

Parameter:

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

Typ der zurückgegebenen Matrix: ‘connectivity’ gibt die Konnektivitätsmatrix mit Einsen und Nullen zurück, und ‘distance’ gibt die Entfernungen zwischen Nachbarn gemäß der angegebenen Metrik zurück.

radiusfloat, Standardwert=1.0

Radius der Nachbarschaft im transformierten dünnen Graphen.

algorithm{‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}, Standard=’auto’

Algorithmus zur Berechnung der nächsten Nachbarn

• ‘ball_tree’ verwendet BallTree

• ‘kd_tree’ verwendet KDTree

• ‘brute’ verwendet eine brute-force Suche.

• ‘auto’ versucht, den am besten geeigneten Algorithmus basierend auf den Werten zu bestimmen, die an die fit-Methode übergeben werden.

Hinweis: Das Anpassen an dünnbesetzte Eingaben überschreibt die Einstellung dieses Parameters und verwendet brute force.

leaf_sizeint, Standard=30

Anzahl der Blätter, die an BallTree oder KDTree übergeben werden. Dies kann die Geschwindigkeit des Aufbaus und der Abfrage sowie den benötigten Speicherplatz für den Baum beeinflussen. Der optimale Wert hängt von der Art des Problems ab.

metricstr oder aufrufbar, Standard=’minkowski’

Metrik zur Entfernungsberechnung. Standard ist „minkowski“, was bei p = 2 zur Standard-Euklidischen Distanz führt. Siehe die Dokumentation von scipy.spatial.distance und die unter distance_metrics aufgeführten Metriken für gültige Metrikwerte.

Wenn metric eine aufrufbare Funktion ist, nimmt sie zwei Arrays entgegen, die 1D-Vektoren darstellen, und muss einen Wert zurückgeben, der die Entfernung zwischen diesen Vektoren angibt. Dies funktioniert für Scipys Metriken, ist aber weniger effizient als die Übergabe des Metriknamens als String.

Distanzmatrizen werden nicht unterstützt.

pfloat, Standard=2

Parameter für die Minkowski-Metrik von sklearn.metrics.pairwise.pairwise_distances. Wenn p = 1 ist, ist dies äquivalent zur Verwendung von manhattan_distance (l1) und euclidean_distance (l2) für p = 2. Für beliebiges p wird minkowski_distance (l_p) verwendet. Dieser Parameter wird als positiv erwartet.

metric_paramsdict, Standard=None

Zusätzliche Schlüsselwortargumente für die Metrikfunktion.

n_jobsint, default=None

Die Anzahl der parallelen Jobs, die für die Nachbarschaftssuche ausgeführt werden. Wenn -1, dann wird die Anzahl der Jobs auf die Anzahl der CPU-Kerne gesetzt.

Attribute:

effective_metric_str oder callable

Die verwendete Distanzmetrik. Sie ist identisch mit dem Parameter metric oder ein Synonym davon, z. B. ‘euclidean’, wenn der Parameter metric auf ‘minkowski’ und der Parameter p auf 2 gesetzt ist.

effective_metric_params_dict

Zusätzliche Schlüsselwortargumente für die Metrikfunktion. Für die meisten Metriken ist dies dasselbe wie der Parameter metric_params, kann aber auch den Wert des Parameters p enthalten, wenn das Attribut effective_metric_ auf ‘minkowski’ gesetzt ist.

n_features_in_int

Anzahl der während des fits gesehenen Merkmale.

Hinzugefügt in Version 0.24.

feature_names_in_ndarray mit Form (n_features_in_,)

Namen der während fit gesehenen Merkmale. Nur definiert, wenn X Merkmalnamen hat, die alle Zeichenketten sind.

Hinzugefügt in Version 1.0.

n_samples_fit_int

Anzahl der Samples in den angepassten Daten.

Siehe auch

kneighbors_graph

Berechnet den gewichteten Graphen von k-Nachbarn für Punkte in X.

KNeighborsTransformer

Transformiert X in einen gewichteten Graphen von k nächsten Nachbarn.

Beispiele

>>> import numpy as np
>>> from sklearn.datasets import load_wine
>>> from sklearn.cluster import DBSCAN
>>> from sklearn.neighbors import RadiusNeighborsTransformer
>>> from sklearn.pipeline import make_pipeline
>>> X, _ = load_wine(return_X_y=True)
>>> estimator = make_pipeline(
...     RadiusNeighborsTransformer(radius=42.0, mode='distance'),
...     DBSCAN(eps=25.0, metric='precomputed'))
>>> X_clustered = estimator.fit_predict(X)
>>> clusters, counts = np.unique(X_clustered, return_counts=True)
>>> print(counts)
[ 29  15 111  11  12]

fit(X, y=None)

Trainiert den Radius-Nachbar-Transformer aus dem Trainingsdatensatz.

Parameter:

X{array-like, sparse matrix} der Form (n_samples, n_features) oder (n_samples, n_samples), wenn metric=’precomputed’

Trainingsdaten.

yIgnoriert

Wird nicht verwendet, ist aber aus Gründen der API-Konsistenz per Konvention vorhanden.

Gibt zurück:

selfRadiusNeighborsTransformer

Der trainierte Radius-Nachbar-Transformer.

fit_transform(X, y=None)

An Daten anpassen, dann transformieren.

Trainiert den Transformer mit X und y mit optionalen Parametern fit_params und gibt eine transformierte Version von X zurück.

Parameter:

Xarray-like der Form (n_samples, n_features)

Trainingsmenge.

yIgnoriert

Wird nicht verwendet, ist aber aus Gründen der API-Konsistenz per Konvention vorhanden.

Gibt zurück:

Xtsparse matrix von shape (n_samples, n_samples)

Xt[i, j] wird das Gewicht der Kante zugewiesen, die i mit j verbindet. Nur die Nachbarn haben einen expliziten Wert. Die Diagonale ist immer explizit. Die Matrix ist im CSR-Format.

get_feature_names_out(input_features=None)

Holt die Ausgabemerkmale für die Transformation.

Die Feature-Namen werden mit dem kleingeschriebenen Klassennamen präfixiert. Wenn der Transformer z.B. 3 Features ausgibt, dann sind die Feature-Namen: ["klassenname0", "klassenname1", "klassenname2"].

Parameter:

input_featuresarray-like von str oder None, default=None

Wird nur verwendet, um die Feature-Namen mit den in fit gesehenen Namen zu validieren.

Gibt zurück:

feature_names_outndarray von str-Objekten

Transformierte Merkmalnamen.

get_metadata_routing()

Holt das Metadaten-Routing dieses Objekts.

Bitte prüfen Sie im Benutzerhandbuch, wie der Routing-Mechanismus funktioniert.

Gibt zurück:

routingMetadataRequest

Ein MetadataRequest, der Routing-Informationen kapselt.

get_params(deep=True)

Holt Parameter für diesen Schätzer.

Parameter:

deepbool, default=True

Wenn True, werden die Parameter für diesen Schätzer und die enthaltenen Unterobjekte, die Schätzer sind, zurückgegeben.

Gibt zurück:

paramsdict

Parameternamen, zugeordnet ihren Werten.

radius_neighbors(X=None, radius=None, return_distance=True, sort_results=False)

Findet die Nachbarn innerhalb eines gegebenen Radius eines oder mehrerer Punkte.

Gibt die Indizes und Entfernungen jedes Punktes aus dem Datensatz zurück, der sich in einer Kugel mit der Größe radius um die Punkte des Abfrage-Arrays befindet. Punkte, die auf der Grenze liegen, werden in die Ergebnisse aufgenommen.

Die Ergebnis-Punkte sind *nicht* notwendigerweise nach der Entfernung zu ihrem Abfragepunkt sortiert.

Parameter:

X{array-like, sparse matrix} von (n_samples, n_features), Standardwert=None

Der Anfragepunkt oder die Anfragepunkte. Wenn nicht angegeben, werden die Nachbarn jedes indizierten Punktes zurückgegeben. In diesem Fall wird der Anfragepunkt nicht als sein eigener Nachbar betrachtet.

radiusfloat, Standardwert=None

Begrenzungsradius der zurückzugebenden Nachbarn. Der Standardwert ist der Wert, der an den Konstruktor übergeben wurde.

return_distancebool, Standard=True

Gibt zurück, ob die Entfernungen zurückgegeben werden sollen.

sort_resultsbool, Standardwert=False

Wenn True, werden die Entfernungen und Indizes vor der Rückgabe nach aufsteigenden Entfernungen sortiert. Wenn False, sind die Ergebnisse möglicherweise nicht sortiert. Wenn return_distance=False gesetzt ist, führt die Einstellung von sort_results=True zu einem Fehler.

Hinzugefügt in Version 0.22.

Gibt zurück:

neigh_distndarray von shape (n_samples,) von Arrays

Array, das die Entfernungen zu jedem Punkt darstellt, nur vorhanden, wenn return_distance=True ist. Die Entfernungs-Werte werden gemäß dem Konstruktorparameter metric berechnet.

neigh_indndarray von shape (n_samples,) von Arrays

Ein Array von Arrays von Indizes der ungefähren nächsten Punkte aus der Populationsmatrix, die sich innerhalb einer Kugel der Größe radius um die Abfragepunkte befinden.

Anmerkungen

Da die Anzahl der Nachbarn jedes Punktes nicht notwendigerweise gleich ist, können die Ergebnisse für mehrere Abfragepunkte nicht in einem Standard-Datenarray untergebracht werden. Aus Effizienzgründen gibt radius_neighbors Arrays von Objekten zurück, wobei jedes Objekt ein 1D-Array von Indizes oder Entfernungen ist.

Beispiele

Im folgenden Beispiel konstruieren wir eine NeighborsClassifier-Klasse aus einem Array, das unseren Datensatz repräsentiert, und fragen, welcher Punkt [1, 1, 1] am nächsten liegt

>>> import numpy as np
>>> samples = [[0., 0., 0.], [0., .5, 0.], [1., 1., .5]]
>>> from sklearn.neighbors import NearestNeighbors
>>> neigh = NearestNeighbors(radius=1.6)
>>> neigh.fit(samples)
NearestNeighbors(radius=1.6)
>>> rng = neigh.radius_neighbors([[1., 1., 1.]])
>>> print(np.asarray(rng[0][0]))
[1.5 0.5]
>>> print(np.asarray(rng[1][0]))
[1 2]

Das erste zurückgegebene Array enthält die Entfernungen zu allen Punkten, die näher als 1,6 sind, während das zweite zurückgegebene Array deren Indizes enthält. Im Allgemeinen können mehrere Punkte gleichzeitig abgefragt werden.

radius_neighbors_graph(X=None, radius=None, mode='connectivity', sort_results=False)

Berechnet den (gewichteten) Graphen von Nachbarn für Punkte in X.

Nachbarschaften werden auf die Punkte mit einer Entfernung kleiner als radius beschränkt.

Parameter:

X{array-like, sparse matrix} von shape (n_samples, n_features), Standardwert=None

Der Anfragepunkt oder die Anfragepunkte. Wenn nicht angegeben, werden die Nachbarn jedes indizierten Punktes zurückgegeben. In diesem Fall wird der Anfragepunkt nicht als sein eigener Nachbar betrachtet.

radiusfloat, Standardwert=None

Radius der Nachbarschaften. Der Standardwert ist der Wert, der an den Konstruktor übergeben wurde.

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

Typ der zurückgegebenen Matrix: ‘connectivity’ gibt die Konnektivitätsmatrix mit Einsen und Nullen zurück, bei ‘distance’ sind die Kanten die Entfernungen zwischen den Punkten; die Art der Distanz hängt vom ausgewählten Metrikparameter in der NearestNeighbors-Klasse ab.

sort_resultsbool, Standardwert=False

Wenn True, werden in jeder Zeile des Ergebnisses die Nicht-Null-Einträge nach aufsteigenden Entfernungen sortiert. Wenn False, sind die Nicht-Null-Einträge möglicherweise nicht sortiert. Nur verwendet mit mode=’distance’.

Hinzugefügt in Version 0.22.

Gibt zurück:

Asparse-matrix der Form (n_queries, n_samples_fit)

n_samples_fit ist die Anzahl der Samples in den angepassten Daten. A[i, j] gibt das Gewicht der Kante an, die i mit j verbindet. Die Matrix hat das CSR-Format.

Siehe auch

kneighbors_graph

Berechnet den (gewichteten) Graphen von k-Nachbarn für Punkte in X.

Beispiele

>>> X = [[0], [3], [1]]
>>> from sklearn.neighbors import NearestNeighbors
>>> neigh = NearestNeighbors(radius=1.5)
>>> neigh.fit(X)
NearestNeighbors(radius=1.5)
>>> A = neigh.radius_neighbors_graph(X)
>>> A.toarray()
array([[1., 0., 1.],
       [0., 1., 0.],
       [1., 0., 1.]])

set_output(*, transform=None)

Ausgabecontainer festlegen.

Siehe Einführung in die set_output API für ein Beispiel zur Verwendung der API.

Parameter:

transform{“default”, “pandas”, “polars”}, default=None

Konfiguriert die Ausgabe von transform und fit_transform.

• "default": Standardausgabeformat eines Transformers

• "pandas": DataFrame-Ausgabe

• "polars": Polars-Ausgabe

• None: Die Transformationskonfiguration bleibt unverändert

Hinzugefügt in Version 1.4: Die Option "polars" wurde hinzugefügt.

Gibt zurück:

selfestimator instance

Schätzer-Instanz.

set_params(**params)

Setzt die Parameter dieses Schätzers.

Die Methode funktioniert sowohl bei einfachen Schätzern als auch bei verschachtelten Objekten (wie Pipeline). Letztere haben Parameter der Form <component>__<parameter>, so dass es möglich ist, jede Komponente eines verschachtelten Objekts zu aktualisieren.

Parameter:

**paramsdict

Schätzer-Parameter.

Gibt zurück:

selfestimator instance

Schätzer-Instanz.

transform(X)

Berechnet den (gewichteten) Graphen von Nachbarn für Punkte in X.

Parameter:

Xarray-like von shape (n_samples_transform, n_features)

Stichproben-Daten.

Gibt zurück:

Xtsparse matrix von shape (n_samples_transform, n_samples_fit)

Xt[i, j] wird das Gewicht der Kante zugewiesen, die i mit j verbindet. Nur die Nachbarn haben einen expliziten Wert. Die Diagonale ist immer explizit. Die Matrix ist im CSR-Format.