Python sklearn NearestNeighbors用法及代碼示例

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

用法:

class sklearn.neighbors.NearestNeighbors(*, n_neighbors=5, radius=1.0, algorithm='auto', leaf_size=30, metric='minkowski', p=2, metric_params=None, n_jobs=None)

用於實現鄰居搜索的無監督學習器。

在用戶指南中閱讀更多信息。

參數：

n_neighbors：整數，默認=5

kneighbors 查詢默認使用的鄰居數量。

radius：浮點數，默認=1.0

radius_neighbors 查詢默認使用的參數空間範圍。

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'

用於樹的距離度量。默認度量是 minkowski，並且 p=2 等效於標準歐幾裏得度量。有關可用指標的列表，請參閱 DistanceMetric 的文檔。如果 metric 是 “precomputed”，則 X 被假定為一個距離矩陣，並且在擬合期間必須是正方形。 X 可能是一個稀疏圖，在這種情況下，隻有“nonzero” 元素可以被認為是鄰居。

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=無

為鄰居搜索運行的並行作業數。 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：

effective_metric_：str

用於計算到鄰居距離的度量。

effective_metric_params_：dict

用於計算到鄰居距離的度量的參數。

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。

注意：

有關選擇 algorithm 和 leaf_size 的討論，請參閱在線文檔中的最近鄰居。

https://en.wikipedia.org/wiki/K-nearest_neighbors_algorithm

例子：

>>> import numpy as np
>>> from sklearn.neighbors import NearestNeighbors
>>> samples = [[0, 0, 2], [1, 0, 0], [0, 0, 1]]

>>> neigh = NearestNeighbors(n_neighbors=2, radius=0.4)
>>> neigh.fit(samples)
NearestNeighbors(...)

>>> neigh.kneighbors([[0, 0, 1.3]], 2, return_distance=False)
array([[2, 0]]...)

>>> nbrs = neigh.radius_neighbors(
...    [[0, 0, 1.3]], 0.4, return_distance=False
... )
>>> np.asarray(nbrs[0][0])
array(2)