Python sklearn LabelSpreading用法及代碼示例

本文簡要介紹python語言中 sklearn.semi_supervised.LabelSpreading 的用法。

用法:

class sklearn.semi_supervised.LabelSpreading(kernel='rbf', *, gamma=20, n_neighbors=7, alpha=0.2, max_iter=30, tol=0.001, n_jobs=None)

用於semi-supervised學習的LabelSpreading模型。

該模型類似於基本的標簽傳播算法，但使用基於歸一化圖拉普拉斯算子的親和矩陣和跨標簽的軟鉗位。

在用戶指南中閱讀更多信息。

參數：

kernel：{‘knn’, ‘rbf’} 或可調用，默認='rbf'

要使用的內核函數或內核函數本身的字符串標識符。隻有 ‘rbf’ 和 ‘knn’ 字符串是有效輸入。傳遞的函數應采用兩個輸入，每個輸入的形狀為 (n_samples, n_features)，並返回 (n_samples, n_samples) 形狀的權重矩陣。

gamma：浮點數，默認=20

rbf 內核的參數。

n_neighbors：整數，默認=7

knn 內核的參數，它是一個嚴格的正整數。

alpha：浮點數，默認=0.2

鉗位係數。 (0, 1) 中的一個值，它指定實例應采用來自其鄰居的信息而不是其初始標簽的相對數量。 alpha=0 表示保留初始標簽信息； alpha=1 表示替換所有初始信息。

max_iter：整數，默認=30

允許的最大迭代次數。

tol：浮點數，默認=1e-3

收斂容差：考慮係統處於穩態的閾值。

n_jobs：整數，默認=無

要運行的並行作業數。 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：

X_：ndarray 形狀(n_samples，n_features)

輸入數組。

classes_：ndarray 形狀 (n_classes,)

用於對實例進行分類的不同標簽。

label_distributions_：ndarray 形狀(n_samples，n_classes)

每個項目的分類分布。

transduction_：ndarray 形狀 (n_samples,)

通過轉導分配給每個項目的標簽。

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_iter_：int

運行的迭代次數。

參考：

周登勇、奧利維爾·布斯凱、托馬斯·納文·拉爾、 json ·韋斯頓、伯恩哈德·舍爾科夫。本地和全局一致性學習(2004 年)http://citeseer.ist.psu.edu/viewdoc/summary?doi=10.1.1.115.3219

例子：

>>> import numpy as np
>>> from sklearn import datasets
>>> from sklearn.semi_supervised import LabelSpreading
>>> label_prop_model = LabelSpreading()
>>> iris = datasets.load_iris()
>>> rng = np.random.RandomState(42)
>>> random_unlabeled_points = rng.rand(len(iris.target)) < 0.3
>>> labels = np.copy(iris.target)
>>> labels[random_unlabeled_points] = -1
>>> label_prop_model.fit(iris.data, labels)
LabelSpreading(...)