Python sklearn LocalOutlierFactor.kneighbors用法及代碼示例

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

用法:

kneighbors(X=None, n_neighbors=None, return_distance=True)

找到一個點的K-neighbors。

返回每個點的鄰居的索引和距離。

參數：

X：類似數組，形狀 (n_queries, n_features) 或 (n_queries, n_indexed) 如果 metric == ‘precomputed’，默認=無

查詢點或點。如果未提供，則返回每個索引點的鄰居。在這種情況下，查詢點不被認為是它自己的鄰居。

n_neighbors：整數，默認=無

每個樣本所需的鄰居數。默認值是傳遞給構造函數的值。

return_distance：布爾，默認=真

是否返回距離。

返回：

neigh_dist：ndarray 形狀(n_queries，n_neighbors)

表示點長度的數組，僅在return_distance=True 時出現。

neigh_ind：ndarray 形狀(n_queries，n_neighbors)

人口矩陣中最近點的索引。

例子：

在下麵的示例中，我們從表示數據集的數組構造一個 NearestNeighbors 類，並詢問誰是最接近 [1,1,1] 的點

>>> samples = [[0., 0., 0.], [0., .5, 0.], [1., 1., .5]]
>>> from sklearn.neighbors import NearestNeighbors
>>> neigh = NearestNeighbors(n_neighbors=1)
>>> neigh.fit(samples)
NearestNeighbors(n_neighbors=1)
>>> print(neigh.kneighbors([[1., 1., 1.]]))
(array([[0.5]]), array([[2]]))

如您所見，它返回 [[0.5]] 和 [[2]]，這意味著該元素的距離為 0.5，並且是樣本的第三個元素(索引從 0 開始)。您還可以查詢多個點：

>>> X = [[0., 1., 0.], [1., 0., 1.]]
>>> neigh.kneighbors(X, return_distance=False)
array([[1],
       [2]]...)