Python sklearn SpectralEmbedding用法及代碼示例

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

用法:

class sklearn.manifold.SpectralEmbedding(n_components=2, *, affinity='nearest_neighbors', gamma=None, random_state=None, eigen_solver=None, n_neighbors=None, n_jobs=None)

用於非線性降維的頻譜嵌入。

形成由指定函數給出的親和矩陣，並將譜分解應用於相應的圖拉普拉斯算子。結果轉換由每個數據點的特征向量值給出。

注意：拉普拉斯特征圖是這裏實現的實際算法。

在用戶指南中閱讀更多信息。

參數：

n_components：整數，默認=2

投影子空間的維度。

affinity：{‘nearest_neighbors’, ‘rbf’, ‘precomputed’, ‘precomputed_nearest_neighbors’} 或可調用，默認='nearest_neighbors'

如何構建親和矩陣。

• ‘nearest_neighbors’：通過計算最近鄰圖來構造親和矩陣。
• ‘rbf’：通過計算徑向基函數(RBF)內核來構造親和矩陣。
• ‘precomputed’ ：將 X 解釋為預先計算的親和度矩陣。
• ‘precomputed_nearest_neighbors’：將X解釋為預先計算的最近鄰的稀疏圖，並通過選擇n_neighbors最近鄰來構造親和矩陣。
• 可調用：使用傳入的函數作為親和力，該函數接受數據矩陣(n_samples，n_features)並返回親和力矩陣(n_samples，n_samples)。

gamma：浮點數，默認=無

rbf 內核的內核係數。如果沒有，gamma 將設置為 1/n_features。

random_state：int、RandomState 實例或無，默認=無

偽隨機數生成器，用於 eigen_solver == 'amg' 時 lobpcg 特征向量分解的初始化，以及 K-Means 初始化。使用 int 使結果在調用之間具有確定性(請參閱術語表)。

注意

使用 eigen_solver == 'amg' 時，還需要使用 np.random.seed(int) 修複全局 numpy 種子以獲得確定性結果。有關詳細信息，請參閱https://github.com/pyamg/pyamg/issues/139。

eigen_solver：{‘arpack’, ‘lobpcg’, ‘amg’}，默認=無

要使用的特征值分解策略。 AMG 需要安裝 pyamg。它可以在非常大、稀疏的問題上更快。如果無，則使用'arpack'。

n_neighbors：整數，默認=無

nearest_neighbors 圖形構建的最近鄰居數。如果沒有，n_neighbors 將設置為 max(n_samples/10, 1)。

n_jobs：整數，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_：ndarray 形狀(n_samples，n_components)

訓練矩陣的頻譜嵌入。

affinity_matrix_：ndarray 形狀(n_samples，n_samples)

Affinity_matrix 從樣本構造或預先計算。

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。

n_neighbors_：int

有效使用的最近鄰居數。

參考：

• 頻譜聚類教程，2007 年 Ulrike von Luxburghttp://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.165.9323
• 關於頻譜聚類：分析和算法，2001 Andrew Y. Ng、Michael I. Jordan、Yair Weisshttp://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.19.8100
• 歸一化切割和圖像分割，2000 施劍波，Jitendra Malikhttp://citeseer.ist.psu.edu/viewdoc/summary?doi=10.1.1.160.2324

例子：

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