Python sklearn LocallyLinearEmbedding用法及代碼示例

本文簡要介紹python語言中 sklearn.manifold.LocallyLinearEmbedding 的用法。

用法:

class sklearn.manifold.LocallyLinearEmbedding(*, n_neighbors=5, n_components=2, reg=0.001, eigen_solver='auto', tol=1e-06, max_iter=100, method='standard', hessian_tol=0.0001, modified_tol=1e-12, neighbors_algorithm='auto', random_state=None, n_jobs=None)

局部線性嵌入。

在用戶指南中閱讀更多信息。

參數：

n_neighbors：整數，默認=5

每個點要考慮的鄰居數。

n_components：整數，默認=2

流形的坐標數。

reg：浮點數，默認=1e-3

正則化常數，乘以距離的局部協方差矩陣的軌跡。

eigen_solver：{‘auto’, ‘arpack’, ‘dense’}，默認='自動'

用於計算特征向量的求解器。可用的選項有：

• 'auto' ：算法將嘗試為輸入數據選擇最佳方法。
• 'arpack' ：在shift-invert 模式下使用arnoldi 迭代。對於這種方法，M 可以是密集矩陣、稀疏矩陣或一般線性算子。
• 'dense'：使用標準密集矩陣運算進行特征值分解。對於此方法，M 必須是數組或矩陣類型。對於較大的問題，應避免使用此方法。

警告

對於某些問題，ARPACK 可能不穩定。最好嘗試幾個隨機種子以檢查結果。

tol：浮點數，默認=1e-6

‘arpack’ 方法的容差 如果 eigen_solver=='dense'，則不使用。

max_iter：整數，默認=100

arpack 求解器的最大迭代次數。如果eigen_solver=='dense'，則不使用。

method：{‘standard’, ‘hessian’, ‘modified’, ‘ltsa’}，默認='標準'

• standard：使用標準局部線性嵌入算法。參見參考文獻[1]
• hessian ：使用 Hessian 特征圖方法。此方法需要n_neighbors > n_components * (1 + (n_components + 1) / 2。參見參考文獻[2]
• modified：使用修改後的局部線性嵌入算法。參見參考文獻[3]
• ltsa：使用局部切線空間對齊算法。參見參考文獻[4]

hessian_tol：浮點數，默認=1e-4

Hessian 特征映射方法的容差。僅在 method == 'hessian' 時使用。

modified_tol：浮點數，默認=1e-12

改進的 LLE 方法的公差。僅在 method == 'modified' 時使用。

neighbors_algorithm：{‘auto’, ‘brute’，‘kd_tree’, ‘ball_tree’}，默認='自動'

用於最近鄰搜索的算法，傳遞給 NearestNeighbors 實例。

random_state：int，RandomState 實例，默認=無

當eigen_solver == ‘arpack’ 時確定隨機數生成器。傳遞 int 以獲得跨多個函數調用的可重現結果。請參閱詞匯表。

n_jobs：int 或無，默認=無

要運行的並行作業數。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有處理器。有關詳細信息，請參閱詞匯表。

屬性：

embedding_：類似數組，形狀 [n_samples, n_components]

存儲嵌入向量

reconstruction_error_：浮點數

與embedding_ 相關的重建錯誤

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

nbrs_：NearestNeighbors 對象

存儲最近鄰實例，包括BallTree 或 KDtree(如果適用)。

參考：

1

Roweis, S. & Saul, L. 通過局部線性嵌入進行的非線性降維。科學 290:2323 (2000)。

2

Donoho, D. & Grimes, C. Hessian eigenmaps：高維數據的局部線性嵌入技術。 Proc Natl Acad Sci U S A. 100:5591 (2003)。

3

Zhang, Z. & Wang, J. MLLE：使用多個權重的改進的局部線性嵌入。http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.70.382

4

Zhang, Z. & Zha, H. 主流形和通過切線空間對齊的非線性降維。上海大學學報。 8:406 (2004)

例子：

>>> from sklearn.datasets import load_digits
>>> from sklearn.manifold import LocallyLinearEmbedding
>>> X, _ = load_digits(return_X_y=True)
>>> X.shape
(1797, 64)
>>> embedding = LocallyLinearEmbedding(n_components=2)
>>> X_transformed = embedding.fit_transform(X[:100])
>>> X_transformed.shape
(100, 2)