Python cuml.dask.manifold.UMAP用法及代码示例

用法:
class cuml.dask.manifold.UMAP(*, model, client=None, **kwargs)

均匀流形逼近和投影

找到近似底层流形的数据的低维嵌入。

改编自 https://github.com/lmcinnes/umap/blob/master/umap/ umap .py

注意：

这个模块很大程度上基于 Leland McInnes 的参考 UMAP 包[1]。

但是，cuml.umap 中还有许多差异和函数尚未实现：

使用非欧几里得距离度量(计划在即将发布的版本中支持一组固定的非欧几里得度量)。
使用预先计算的成对距离矩阵(未来版本正在考虑)
初始嵌入位置的手动初始化

除了这些缺失的函数之外，您还应该看到 cuml.umap 和参考 UMAP 之间的最终嵌入不同。特别是，参考 UMAP 对大数据量使用近似 kNN 算法，而 cuml.umap 始终使用精确 kNN。

已知问题：如果 UMAP 模型尚未拟合，则无法 pickle

参考：

1: Leland McInnes, John Healy, James Melville UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction.

例子：

from dask_cuda import LocalCUDACluster
from dask.distributed import Client
from cuml.dask.datasets import make_blobs
from cuml.manifold import UMAP
from cuml.dask.manifold import UMAP as MNMG_UMAP
import numpy as np

cluster = LocalCUDACluster(threads_per_worker=1)
client = Client(cluster)

X, y = make_blobs(1000, 10,
                centers=42,
                cluster_std=0.1,
                dtype=np.float32,
                n_parts=2,
                output='array')

local_model = UMAP()

selection = np.random.choice(1000, 100)
X_train = X[selection].compute()
y_train = y[selection].compute()

local_model.fit(X_train, y=y_train)

distributed_model = MNMG_UMAP(local_model)
embedding = distributed_model.transform(X)

注意

每次运行此代码时，输出都会有所不同，因为 “make_blobs” 函数会生成随机矩阵。

相关用法

注：本文由纯净天空筛选整理自rapids.ai大神的英文原创作品 cuml.dask.manifold.UMAP。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。