Python sklearn SpectralEmbedding用法及代码示例

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

用法:

class sklearn.manifold.SpectralEmbedding(n_components=2, *, affinity='nearest_neighbors', gamma=None, random_state=None, eigen_solver=None, n_neighbors=None, n_jobs=None)

用于非线性降维的频谱嵌入。

形成由指定函数给出的亲和矩阵，并将谱分解应用于相应的图拉普拉斯算子。结果转换由每个数据点的特征向量值给出。

注意：拉普拉斯特征图是这里实现的实际算法。

在用户指南中阅读更多信息。

参数：

n_components：整数，默认=2

投影子空间的维度。

affinity：{‘nearest_neighbors’, ‘rbf’, ‘precomputed’, ‘precomputed_nearest_neighbors’} 或可调用，默认='nearest_neighbors'

如何构建亲和矩阵。

• ‘nearest_neighbors’：通过计算最近邻图来构造亲和矩阵。
• ‘rbf’：通过计算径向基函数(RBF)内核来构造亲和矩阵。
• ‘precomputed’ ：将 X 解释为预先计算的亲和度矩阵。
• ‘precomputed_nearest_neighbors’：将X解释为预先计算的最近邻的稀疏图，并通过选择n_neighbors最近邻来构造亲和矩阵。
• 可调用：使用传入的函数作为亲和力，该函数接受数据矩阵(n_samples，n_features)并返回亲和力矩阵(n_samples，n_samples)。

gamma：浮点数，默认=无

rbf 内核的内核系数。如果没有，gamma 将设置为 1/n_features。

random_state：int、RandomState 实例或无，默认=无

伪随机数生成器，用于 eigen_solver == 'amg' 时 lobpcg 特征向量分解的初始化，以及 K-Means 初始化。使用 int 使结果在调用之间具有确定性(请参阅术语表)。

注意

使用 eigen_solver == 'amg' 时，还需要使用 np.random.seed(int) 修复全局 numpy 种子以获得确定性结果。有关详细信息，请参阅https://github.com/pyamg/pyamg/issues/139。

eigen_solver：{‘arpack’, ‘lobpcg’, ‘amg’}，默认=无

要使用的特征值分解策略。 AMG 需要安装 pyamg。它可以在非常大、稀疏的问题上更快。如果无，则使用'arpack'。

n_neighbors：整数，默认=无

nearest_neighbors 图形构建的最近邻居数。如果没有，n_neighbors 将设置为 max(n_samples/10, 1)。

n_jobs：整数，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_：ndarray 形状(n_samples，n_components)

训练矩阵的频谱嵌入。

affinity_matrix_：ndarray 形状(n_samples，n_samples)

Affinity_matrix 从样本构造或预先计算。

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。

n_neighbors_：int

有效使用的最近邻居数。

参考：

• 频谱聚类教程，2007 年 Ulrike von Luxburghttp://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.165.9323
• 关于频谱聚类：分析和算法，2001 Andrew Y. Ng、Michael I. Jordan、Yair Weisshttp://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.19.8100
• 归一化切割和图像分割，2000 施剑波，Jitendra Malikhttp://citeseer.ist.psu.edu/viewdoc/summary?doi=10.1.1.160.2324

例子：

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