Python sklearn LocallyLinearEmbedding用法及代码示例

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

用法:

class sklearn.manifold.LocallyLinearEmbedding(*, n_neighbors=5, n_components=2, reg=0.001, eigen_solver='auto', tol=1e-06, max_iter=100, method='standard', hessian_tol=0.0001, modified_tol=1e-12, neighbors_algorithm='auto', random_state=None, n_jobs=None)

局部线性嵌入。

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。

reg：浮点数，默认=1e-3

正则化常数，乘以距离的局部协方差矩阵的轨迹。

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

用于计算特征向量的求解器。可用的选项有：

• 'auto' ：算法将尝试为输入数据选择最佳方法。
• 'arpack' ：在shift-invert 模式下使用arnoldi 迭代。对于这种方法，M 可以是密集矩阵、稀疏矩阵或一般线性算子。
• 'dense'：使用标准密集矩阵运算进行特征值分解。对于此方法，M 必须是数组或矩阵类型。对于较大的问题，应避免使用此方法。

警告

对于某些问题，ARPACK 可能不稳定。最好尝试几个随机种子以检查结果。

tol：浮点数，默认=1e-6

‘arpack’ 方法的容差 如果 eigen_solver=='dense'，则不使用。

max_iter：整数，默认=100

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

method：{‘standard’, ‘hessian’, ‘modified’, ‘ltsa’}，默认='标准'

• standard：使用标准局部线性嵌入算法。参见参考文献[1]
• hessian ：使用 Hessian 特征图方法。此方法需要n_neighbors > n_components * (1 + (n_components + 1) / 2。参见参考文献[2]
• modified：使用修改后的局部线性嵌入算法。参见参考文献[3]
• ltsa：使用局部切线空间对齐算法。参见参考文献[4]

hessian_tol：浮点数，默认=1e-4

Hessian 特征映射方法的容差。仅在 method == 'hessian' 时使用。

modified_tol：浮点数，默认=1e-12

改进的 LLE 方法的公差。仅在 method == 'modified' 时使用。

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 NearestNeighbors 实例。

random_state：int，RandomState 实例，默认=无

当eigen_solver == ‘arpack’ 时确定随机数生成器。传递 int 以获得跨多个函数调用的可重现结果。请参阅词汇表。

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。

属性：

embedding_：类似数组，形状 [n_samples, n_components]

存储嵌入向量

reconstruction_error_：浮点数

与embedding_ 相关的重建错误

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。

nbrs_：NearestNeighbors 对象

存储最近邻实例，包括BallTree 或 KDtree(如果适用)。

参考：

1

Roweis, S. & Saul, L. 通过局部线性嵌入进行的非线性降维。科学 290:2323 (2000)。

2

Donoho, D. & Grimes, C. Hessian eigenmaps：高维数据的局部线性嵌入技术。 Proc Natl Acad Sci U S A. 100:5591 (2003)。

3

Zhang, Z. & Wang, J. MLLE：使用多个权重的改进的局部线性嵌入。http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.70.382

4

Zhang, Z. & Zha, H. 主流形和通过切线空间对齐的非线性降维。上海大学学报。 8:406 (2004)

例子：

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