Python sklearn RadiusNeighborsRegressor用法及代码示例

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

用法:

class sklearn.neighbors.RadiusNeighborsRegressor(radius=1.0, *, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', metric_params=None, n_jobs=None)

基于固定半径内的邻居的回归。

目标是通过对训练集中最近邻相关的目标进行局部插值来预测的。

在用户指南中阅读更多信息。

参数：

radius：浮点数，默认=1.0

radius_neighbors 查询默认使用的参数空间范围。

weights：{‘uniform’, ‘distance’} 或可调用，默认='uniform'

预测中使用的权重函数。可能的值：

• ‘uniform’：统一权重。每个邻域中的所有点的权重相等。
• ‘distance’：权重点按距离的倒数计算。在这种情况下，查询点的较近的邻居将比较远的邻居具有更大的影响。
• [callable]：一个用户定义的函数，它接受一个距离数组，并返回一个包含权重的相同形状的数组。

默认情况下使用统一权重。

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

用于计算最近邻的算法：

• ‘ball_tree’ 将使用 BallTree
• ‘kd_tree’ 将使用 KDTree
• ‘brute’ 将使用蛮力搜索。
• ‘auto’ 将尝试根据传递给 fit 方法的值来决定最合适的算法。

注意：拟合稀疏输入将使用蛮力覆盖此参数的设置。

leaf_size：整数，默认=30

叶大小传递给BallTree 或 KDTree。这会影响构建和查询的速度，以及存储树所需的内存。最佳值取决于问题的性质。

p：整数，默认=2

Minkowski 度量的功率参数。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：str 或可调用，默认='minkowski'

用于树的距离度量。默认度量是 minkowski，并且 p=2 等效于标准欧几里得度量。有关可用指标的列表，请参阅DistanceMetric 的文档。如果 metric 是 “precomputed”，则 X 被假定为一个距离矩阵，并且在拟合期间必须是正方形。 X 可能是一个稀疏图，在这种情况下，只有“nonzero” 元素可以被认为是邻居。

metric_params：字典，默认=无

度量函数的附加关键字参数。

n_jobs：整数，默认=无

为邻居搜索运行的并行作业数。 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：

effective_metric_：str 或可调用

要使用的距离度量。它将与 metric 参数或其同义词相同，例如‘euclidean’ 如果 metric 参数设置为 ‘minkowski’ 并且 p 参数设置为 2。

effective_metric_params_：dict

度量函数的附加关键字参数。大多数指标与metric_params 参数相同，但如果effective_metric_ 属性设置为‘minkowski’，也可能包含p 参数值。

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_samples_fit_：int

拟合数据中的样本数。

注意：

有关选择 algorithm 和 leaf_size 的讨论，请参阅在线文档中的最近邻居。

https://en.wikipedia.org/wiki/K-nearest_neighbor_algorithm

例子：

>>> X = [[0], [1], [2], [3]]
>>> y = [0, 0, 1, 1]
>>> from sklearn.neighbors import RadiusNeighborsRegressor
>>> neigh = RadiusNeighborsRegressor(radius=1.0)
>>> neigh.fit(X, y)
RadiusNeighborsRegressor(...)
>>> print(neigh.predict([[1.5]]))
[0.5]