kneighbors_graph

sklearn.neighbors.kneighbors_graph(X, n_neighbors, *, mode='connectivity', metric='minkowski', p=2, metric_params=None, include_self=False, n_jobs=None)

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

Mehr lesen im Benutzerhandbuch.

Parameter:

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

Stichproben-Daten.

n_neighborsint

Anzahl der Nachbarn für jedes Sample.

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

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.

metricstr, Standardwert=’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.

pfloat, Standard=2

Potenzparameter für die Minkowski-Metrik. Wenn p = 1, ist dies äquivalent zur Verwendung der Manhattan-Distanz (l1) und der Euklidischen Distanz (l2) für p = 2. Für beliebiges p wird die Minkowski-Distanz (l_p) verwendet. Dieser Parameter muss positiv sein.

metric_paramsdict, Standard=None

Zusätzliche Schlüsselwortargumente für die Metrikfunktion.

include_selfbool or ‘auto’, Standardwert=False

Ob jedes Sample als erster nächster Nachbar zu sich selbst markiert werden soll oder nicht. Wenn ‘auto’, dann wird für mode=’connectivity’ True und für mode=’distance’ False verwendet.

n_jobsint, default=None

Die Anzahl der parallelen Jobs für die Nachbarsuche. None bedeutet 1, es sei denn, es befindet sich in einem joblib.parallel_backend Kontext. -1 bedeutet, alle Prozessoren zu verwenden. Siehe Glossar für weitere Details.

Gibt zurück:

Asparse matrix der Form (n_samples, n_samples)

Graph, bei dem A[i, j] das Gewicht der Kante zugewiesen wird, die i mit j verbindet. Die Matrix hat das CSR-Format.

Siehe auch

radius_neighbors_graph

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

Beispiele

>>> X = [[0], [3], [1]]
>>> from sklearn.neighbors import kneighbors_graph
>>> A = kneighbors_graph(X, 2, mode='connectivity', include_self=True)
>>> A.toarray()
array([[1., 0., 1.],
       [0., 1., 1.],
       [1., 0., 1.]])

Galeriebeispiele

Vergleich verschiedener Clustering-Algorithmen auf Toy-Datensätzen

Vergleich verschiedener Clustering-Algorithmen auf Toy-Datensätzen

Hierarchisches Clustering mit und ohne Struktur

Hierarchisches Clustering mit und ohne Struktur