Python sklearn radius_neighbors_graph用法及代碼示例

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

用法:

sklearn.neighbors.radius_neighbors_graph(X, radius, *, mode='connectivity', metric='minkowski', p=2, metric_params=None, include_self=False, n_jobs=None)

計算 X 中點的鄰居(加權)圖

鄰域被限製在小於半徑的距離處。

在用戶指南中閱讀更多信息。

參數：

X：形狀類似數組 (n_samples, n_features) 或 BallTree

樣本數據，以 numpy 數組或預先計算的 BallTree 的形式。

radius：浮點數

街區半徑。

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

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。

metric：str，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。

p：整數，默認=2

Minkowski 度量的功率參數。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。

include_self：布爾或‘auto’，默認=假

是否將每個樣本標記為其自身的第一個最近鄰。如果‘auto’，則 True 用於 mode='connectivity' 和 False 用於 mode='distance'。

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。

返回：

A：形狀的稀疏矩陣 (n_samples, n_samples)

圖中 A[i, j] 被賦予連接 i 到 j 的邊的權重。該矩陣為 CSR 格式。

例子：

>>> X = [[0], [3], [1]]
>>> from sklearn.neighbors import radius_neighbors_graph
>>> A = radius_neighbors_graph(X, 1.5, mode='connectivity',
...                            include_self=True)
>>> A.toarray()
array([[1., 0., 1.],
       [0., 1., 0.],
       [1., 0., 1.]])