Python sklearn KernelDensity用法及代碼示例

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

用法:

class sklearn.neighbors.KernelDensity(*, bandwidth=1.0, algorithm='auto', kernel='gaussian', metric='euclidean', atol=0, rtol=0, breadth_first=True, leaf_size=40, metric_params=None)

核密度估計。

在用戶指南中閱讀更多信息。

參數：

bandwidth：浮點數，默認=1.0

內核的帶寬。

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

要使用的樹算法。

kernel：{‘gaussian’, ‘tophat’, ‘epanechnikov’, ‘exponential’, ‘linear’，‘cosine’}，默認='高斯'

要使用的內核。

metric：str，默認='歐幾裏得'

要使用的距離度量。請注意，並非所有指標都適用於所有算法。有關可用算法的說明，請參閱 BallTree 和 KDTree 的文檔。請注意，密度輸出的歸一化僅對歐幾裏得距離度量是正確的。默認為‘euclidean’。

atol：浮點數，默認=0

結果的所需絕對容差。更大的容差通常會導致更快的執行。

rtol：浮點數，默認=0

結果的所需相對容差。更大的容差通常會導致更快的執行。

breadth_first：布爾，默認=真

如果為 true(默認值)，則使用廣度優先方法來解決問題。否則使用深度優先方法。

leaf_size：整數，默認=40

指定底層樹的葉子大小。有關詳細信息，請參閱 BallTree 或 KDTree 。

metric_params：字典，默認=無

要傳遞給樹以與度量一起使用的附加參數。有關詳細信息，請參閱 BallTree 或 KDTree 的文檔。

屬性：

n_features_in_：int

擬合期間看到的特征數。

tree_：BinaryTree 實例

快速廣義N-point問題的樹算法。

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。

例子：

計算具有固定帶寬的高斯核密度估計。

>>> from sklearn.neighbors import KernelDensity
>>> import numpy as np
>>> rng = np.random.RandomState(42)
>>> X = rng.random_sample((100, 3))
>>> kde = KernelDensity(kernel='gaussian', bandwidth=0.5).fit(X)
>>> log_density = kde.score_samples(X[:3])
>>> log_density
array([-1.52955942, -1.51462041, -1.60244657])