Python sklearn Isomap用法及代码示例

本文简要介绍python语言中 sklearn.manifold.Isomap 的用法。

用法:

class sklearn.manifold.Isomap(*, n_neighbors=5, n_components=2, eigen_solver='auto', tol=0, max_iter=None, path_method='auto', neighbors_algorithm='auto', n_jobs=None, metric='minkowski', p=2, metric_params=None)

Isomap 嵌入。

通过等距映射进行非线性降维

在用户指南中阅读更多信息。

参数：

n_neighbors：整数，默认=5

每个点要考虑的邻居数。

n_components：整数，默认=2

流形的坐标数。

eigen_solver：{‘auto’, ‘arpack’, ‘dense’}，默认='自动'

‘auto’：尝试为给定问题选择最有效的求解器。

‘arpack’：使用 Arnoldi 分解来查找特征值和特征向量。

‘dense’：使用直接求解器(即 LAPACK)进行特征值分解。

tol：浮点数，默认=0

收敛容差传递给 arpack 或 lobpcg。如果eigen_solver == ‘dense’，则不使用。

max_iter：整数，默认=无

arpack 求解器的最大迭代次数。如果eigen_solver == ‘dense’，则不使用。

path_method：{‘auto’, ‘FW’, ‘D’}, 默认=‘auto’

用于查找最短路径的方法。

‘auto’：尝试自动选择最佳算法。

‘FW’：Floyd-Warshall算法。

“D”：Dijkstra 算法。

neighbors_algorithm：{‘auto’, ‘brute’，‘kd_tree’, ‘ball_tree’}，默认='自动'

用于最近邻搜索的算法，传递给 neighbors.NearestNeighbors 实例。

n_jobs：int 或无，默认=无

要运行的并行作业数。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有处理器。有关详细信息，请参阅词汇表。

metric：str，或可调用，默认=”minkowski”

计算特征数组中实例之间的距离时使用的度量。如果 metric 是一个字符串或可调用的，它必须是 sklearn.metrics.pairwise_distances 为其 metric 参数允许的选项之一。如果 metric 是“precomputed”，X 被假定为一个距离矩阵并且必须是正方形。 X 可能是一个词汇表。

p：整数，默认=2

来自 sklearn.metrics.pairwise.pairwise_distances 的 Minkowski 度量的参数。当 p = 1 时，这相当于使用 manhattan_distance (l1)，而对于 p = 2，则使用 euclidean_distance (l2)。对于任意 p，使用 minkowski_distance (l_p)。

metric_params：字典，默认=无

度量函数的附加关键字参数。

属性：

embedding_：类似数组，形状(n_samples，n_components)

存储嵌入向量。

kernel_pca_：对象

KernelPCA 用于实现嵌入的对象。

nbrs_：sklearn.neighbors.NearestNeighbors 实例

存储最近邻实例，包括BallTree 或 KDtree(如果适用)。

dist_matrix_：类似数组，形状 (n_samples, n_samples)

存储训练数据的测地距离矩阵。

n_features_in_：int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

参考：

1

特南鲍姆，J.B.；德席尔瓦，V。 & Langford, J.C. 非线性降维的全局几何框架。科学 290 (5500)

例子：

>>> from sklearn.datasets import load_digits
>>> from sklearn.manifold import Isomap
>>> X, _ = load_digits(return_X_y=True)
>>> X.shape
(1797, 64)
>>> embedding = Isomap(n_components=2)
>>> X_transformed = embedding.fit_transform(X[:100])
>>> X_transformed.shape
(100, 2)