Python sklearn KNeighborsRegressor.kneighbors_graph用法及代码示例

本文简要介绍python语言中 sklearn.neighbors.KNeighborsRegressor.kneighbors_graph 的用法。

用法:

kneighbors_graph(X=None, n_neighbors=None, mode='connectivity')

为 X 中的点计算k-Neighbors 的(加权)图。

参数：

X：形状类似数组 (n_queries, n_features) 或 (n_queries, n_indexed) 如果 metric == ‘precomputed’，默认=无

查询点或点。如果未提供，则返回每个索引点的邻居。在这种情况下，查询点不被认为是它自己的邻居。对于metric='precomputed'，形状应为 (n_queries, n_indexed)。否则形状应该是(n_queries，n_features)。

n_neighbors：整数，默认=无

每个样本的邻居数。默认值是传递给构造函数的值。

mode：{‘connectivity’, ‘distance’}，默认='连接性'

返回矩阵的类型：‘connectivity’ 将返回带有 1 和 0 的连接矩阵，在 ‘distance’ 中，边是点之间的距离，距离类型取决于 NearestNeighbors 类中所选的度量参数。

返回：

A：sparse-matrix 形状 (n_queries, n_samples_fit)

n_samples_fit 是拟合数据中的样本数。 A[i, j] 给出连接 i 到 j 的边的权重。该矩阵为 CSR 格式。

例子：

>>> X = [[0], [3], [1]]
>>> from sklearn.neighbors import NearestNeighbors
>>> neigh = NearestNeighbors(n_neighbors=2)
>>> neigh.fit(X)
NearestNeighbors(n_neighbors=2)
>>> A = neigh.kneighbors_graph(X)
>>> A.toarray()
array([[1., 0., 1.],
       [0., 1., 1.],
       [1., 0., 1.]])