Python sklearn KNeighborsTransformer用法及代碼示例

本文簡要介紹python語言中 sklearn.neighbors.KNeighborsTransformer 的用法。

用法:

class sklearn.neighbors.KNeighborsTransformer(*, mode='distance', n_neighbors=5, algorithm='auto', leaf_size=30, metric='minkowski', p=2, metric_params=None, n_jobs=1)

將 X 轉換為 k 個最近鄰的(加權)圖。

轉換後的數據是由kneighbors_graph 返回的稀疏圖。

在用戶指南中閱讀更多信息。

參數：

mode：{‘distance’, ‘connectivity’}，默認='距離'

返回矩陣的類型：‘connectivity’ 將返回具有 1 和 0 的連接矩陣，‘distance’ 將根據給定度量返回鄰居之間的距離。

n_neighbors：整數，默認=5

變換後的稀疏圖中每個樣本的鄰居數。出於兼容性原因，由於每個樣本都被視為其自己的鄰居，因此當 mode == ‘distance’ 時將計算一個額外的鄰居。在這種情況下，稀疏圖包含 (n_neighbors + 1) 個鄰居。

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

用於計算最近鄰的算法：

• ‘ball_tree’ 將使用 BallTree
• ‘kd_tree’ 將使用 KDTree
• ‘brute’ 將使用蠻力搜索。
• ‘auto’ 將嘗試根據傳遞給 fit 方法的值來決定最合適的算法。

注意：擬合稀疏輸入將使用蠻力覆蓋此參數的設置。

leaf_size：整數，默認=30

葉大小傳遞給BallTree 或 KDTree。這會影響構建和查詢的速度，以及存儲樹所需的內存。最佳值取決於問題的性質。

metric：str 或可調用，默認='minkowski'

用於距離計算的度量。可以使用來自 scikit-learn 或 scipy.spatial.distance 的任何度量。

如果 metric 是一個可調用函數，則在每對實例(行)上調用它並記錄結果值。可調用對象應將兩個數組作為輸入並返回一個值，指示它們之間的距離。這適用於 Scipy 的指標，但效率低於將指標名稱作為字符串傳遞。

不支持距離矩陣。

指標的有效值為：

• 來自scikit-learn：[‘cityblock’, ‘cosine’, ‘euclidean’，‘l1’, ‘l2’，‘manhattan’]
• 來自 scipy.spatial.distance: [‘braycurtis’, ‘canberra’, ‘chebyshev’, ‘correlation’, ‘dice’, ‘hamming’, ‘jaccard’, ‘kulsinski’, ‘mahalanobis’, ‘minkowski’, ‘rogerstanimoto’, ‘russellrao’, ‘seuclidean’, ‘sokalmichener’, ‘sokalsneath’, ‘sqeuclidean’, ‘yule’]

有關這些指標的詳細信息，請參閱scipy.spatial.distance 的文檔。

p：整數，默認=2

來自 sklearn.metrics.pairwise.pairwise_distances 的 Minkowski 度量的參數。當 p = 1 時，這相當於使用 manhattan_distance (l1)，而對於 p = 2，則使用 euclidean_distance (l2)。對於任意 p，使用 minkowski_distance (l_p)。

metric_params：字典，默認=無

度量函數的附加關鍵字參數。

n_jobs：整數，默認=1

為鄰居搜索運行的並行作業數。如果 -1 ，則作業數設置為 CPU 內核數。

屬性：

effective_metric_：str 或可調用

使用的距離度量。它將與 metric 參數或其同義詞相同，例如‘euclidean’ 如果 metric 參數設置為 ‘minkowski’ 並且 p 參數設置為 2。

effective_metric_params_：dict

度量函數的附加關鍵字參數。大多數指標與metric_params 參數相同，但如果effective_metric_ 屬性設置為‘minkowski’，也可能包含p 參數值。

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_samples_fit_：int

擬合數據中的樣本數。

例子：

>>> from sklearn.datasets import load_wine
>>> from sklearn.neighbors import KNeighborsTransformer
>>> X, _ = load_wine(return_X_y=True)
>>> X.shape
(178, 13)
>>> transformer = KNeighborsTransformer(n_neighbors=5, mode='distance')
>>> X_dist_graph = transformer.fit_transform(X)
>>> X_dist_graph.shape
(178, 178)