Python sklearn kneighbors_graph用法及代码示例

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

用法:

sklearn.neighbors.kneighbors_graph(X, n_neighbors, *, mode='connectivity', metric='minkowski', p=2, metric_params=None, include_self=False, n_jobs=None)

为 X 中的点计算k-Neighbors 的(加权)图

在用户指南中阅读更多信息。

参数：

X：形状类似数组 (n_samples, n_features) 或 BallTree

样本数据，以 numpy 数组或预先计算的 BallTree 的形式。

n_neighbors：int

每个样本的邻居数。

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

返回矩阵的类型：‘connectivity’ 将返回具有 1 和 0 的连接矩阵，‘distance’ 将根据给定度量返回邻居之间的距离。

metric：str，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。

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_params：字典，默认=无

度量函数的附加关键字参数。

include_self：布尔或‘auto’，默认=假

是否将每个样本标记为其自身的第一个最近邻。如果‘auto’，则 True 用于 mode='connectivity' 和 False 用于 mode='distance'。

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。

返回：

A：形状的稀疏矩阵 (n_samples, n_samples)

图中 A[i, j] 被赋予连接 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 kneighbors_graph
>>> A = kneighbors_graph(X, 2, mode='connectivity', include_self=True)
>>> A.toarray()
array([[1., 0., 1.],
       [0., 1., 1.],
       [1., 0., 1.]])