Python sklearn KernelDensity用法及代码示例

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

用法:

class sklearn.neighbors.KernelDensity(*, bandwidth=1.0, algorithm='auto', kernel='gaussian', metric='euclidean', atol=0, rtol=0, breadth_first=True, leaf_size=40, metric_params=None)

核密度估计。

在用户指南中阅读更多信息。

参数：

bandwidth：浮点数，默认=1.0

内核的带宽。

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

要使用的树算法。

kernel：{‘gaussian’, ‘tophat’, ‘epanechnikov’, ‘exponential’, ‘linear’，‘cosine’}，默认='高斯'

要使用的内核。

metric：str，默认='欧几里得'

要使用的距离度量。请注意，并非所有指标都适用于所有算法。有关可用算法的说明，请参阅 BallTree 和 KDTree 的文档。请注意，密度输出的归一化仅对欧几里得距离度量是正确的。默认为‘euclidean’。

atol：浮点数，默认=0

结果的所需绝对容差。更大的容差通常会导致更快的执行。

rtol：浮点数，默认=0

结果的所需相对容差。更大的容差通常会导致更快的执行。

breadth_first：布尔，默认=真

如果为 true(默认值)，则使用广度优先方法来解决问题。否则使用深度优先方法。

leaf_size：整数，默认=40

指定底层树的叶子大小。有关详细信息，请参阅 BallTree 或 KDTree 。

metric_params：字典，默认=无

要传递给树以与度量一起使用的附加参数。有关详细信息，请参阅 BallTree 或 KDTree 的文档。

属性：

n_features_in_：int

拟合期间看到的特征数。

tree_：BinaryTree 实例

快速广义N-point问题的树算法。

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。

例子：

计算具有固定带宽的高斯核密度估计。

>>> from sklearn.neighbors import KernelDensity
>>> import numpy as np
>>> rng = np.random.RandomState(42)
>>> X = rng.random_sample((100, 3))
>>> kde = KernelDensity(kernel='gaussian', bandwidth=0.5).fit(X)
>>> log_density = kde.score_samples(X[:3])
>>> log_density
array([-1.52955942, -1.51462041, -1.60244657])