Python sklearn LabelPropagation用法及代码示例

本文简要介绍python语言中 sklearn.semi_supervised.LabelPropagation 的用法。

用法:

class sklearn.semi_supervised.LabelPropagation(kernel='rbf', *, gamma=20, n_neighbors=7, max_iter=1000, tol=0.001, n_jobs=None)

标签传播分类器。

在用户指南中阅读更多信息。

参数：

kernel：{‘knn’, ‘rbf’} 或可调用，默认='rbf'

要使用的内核函数或内核函数本身的字符串标识符。只有 ‘rbf’ 和 ‘knn’ 字符串是有效输入。传递的函数应采用两个输入，每个输入的形状为 (n_samples, n_features)，并返回 (n_samples, n_samples) 形状的权重矩阵。

gamma：浮点数，默认=20

rbf 内核的参数。

n_neighbors：整数，默认=7

knn 内核的参数，需要严格为正。

max_iter：整数，默认=1000

更改允许的最大迭代次数。

tol：浮点数，1e-3

收敛容差：考虑系统处于稳态的阈值。

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：

X_：ndarray 形状(n_samples，n_features)

输入数组。

classes_：ndarray 形状 (n_classes,)

用于对实例进行分类的不同标签。

label_distributions_：ndarray 形状(n_samples，n_classes)

每个项目的分类分布。

transduction_：形状的ndarray(n_samples)

通过转导分配给每个项目的标签。

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_iter_：int

运行的迭代次数。

参考：

朱小金和Zoubin Ghahramani。通过标签传播从标记和未标记的数据中学习。技术报告CMU-CALD-02-107，卡内基梅隆大学，2002http://pages.cs.wisc.edu/~jerryzhu/pub/CMU-CALD-02-107.pdf

例子：

>>> import numpy as np
>>> from sklearn import datasets
>>> from sklearn.semi_supervised import LabelPropagation
>>> label_prop_model = LabelPropagation()
>>> iris = datasets.load_iris()
>>> rng = np.random.RandomState(42)
>>> random_unlabeled_points = rng.rand(len(iris.target)) < 0.3
>>> labels = np.copy(iris.target)
>>> labels[random_unlabeled_points] = -1
>>> label_prop_model.fit(iris.data, labels)
LabelPropagation(...)