sklearn.manifold.LocallyLinearEmbedding?

class sklearn.manifold.LocallyLinearEmbedding(*, n_neighbors=5, n_components=2, reg=0.001, eigen_solver='auto', tol=1e-06, max_iter=100, method='standard', hessian_tol=0.0001, modified_tol=1e-12, neighbors_algorithm='auto', random_state=None, n_jobs=None)

[源碼]

局部線性嵌入

在用戶指南中閱讀更多內容。

參數 說明
n_neighbors integer
每個點要考慮的鄰居數量。
n_components integer
流形的坐標數
reg float
正則化常數，乘以距離的局部協方差矩陣的軌跡。
eigen_solver string, {‘auto’, ‘arpack’, ‘dense’}
自動：算法將嘗試為輸入數據選擇最佳方法
arpack use arnoldi iteration in shift-invert mode.
對于此方法，M可以是稠密矩陣，稀疏矩陣或一般線性式子。警告：由于某些問題，ARPACK可能不穩定。最好嘗試幾個隨機種子以檢查結果。
dense use standard dense matrix operations for the eigenvalue
分解。對于此方法，M必須為數組或矩陣類型。對于大問題應避免使用此方法。
tol float, optional
如果eigen_solver==’dense’，則不使用“arpack”方法的容差。
max_iter integer
arpack求解器的最大迭代次數。如果eigen_solver =='dense'，則不使用。
method string (‘standard’, ‘hessian’, ‘modified’ or ‘ltsa’)
standard use the standard locally linear embedding algorithm. see
參考參考文獻[1]
hessian use the Hessian eigenmap method. This method requires
n_neighbors > n_components * (1 + (n_components + 1) / 2
參見參考文獻[2]
modified use the modified locally linear embedding algorithm.
參見參考文獻[3]
ltsa use local tangent space alignment algorithm
參見參考文獻[4]
hessian_tol float, optional
Hessian特征映射方法的公差。僅在method == 'hessian'這種情況下使用
modified_tol float, optional
修正的LLE方法的公差。僅在method == 'hessian'這種情況下使用
neighbors_algorithm string [‘auto’,’brute’,’kd_tree’,’ball_tree’]
用于最近鄰居搜索的算法，傳遞給鄰居。NearestNeighbors實例
random_state int, RandomState instance, default=None
當eigen_solver=='arpack' 時確定隨機數生成器 。在多個函數調用之間傳遞int以獲得可重復的結果。請參閱：term: Glossary <random_state>.
n_jobs int or None, optional (default=None)
用于進行計算的CPU數量。 None除非在joblib.parallel_backend環境中，否則表示1 。 undefined表示使用所有處理器。有關更多詳細信息，請參見詞匯表。
屬性 說明
embedding_ array-like, shape [n_samples, n_components]
存儲嵌入向量
reconstruction_error_ float
與重建相關的錯誤 embedding_
nbrs_ NearestNeighbors object
存儲最近的鄰居實例，包括BallTree或KDtree（如果適用）。

參考文獻

1 Roweis, S. & Saul, L. Nonlinear dimensionality reduction by locally linear embedding. Science 290:2323 (2000).

2 Donoho, D. & Grimes, C. Hessian eigenmaps: Locally linear embedding techniques for high-dimensional data. Proc Natl Acad Sci U S A. 100:5591 (2003).

3 Zhang, Z. & Wang, J. MLLE: Modified Locally Linear Embedding Using Multiple Weights. http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.70.382

4 Zhang, Z. & Zha, H. Principal manifolds and nonlinear dimensionality reduction via tangent space alignment. Journal of Shanghai Univ. 8:406 (2004)

實例

>>> from sklearn.datasets import load_digits
>>> from sklearn.manifold import LocallyLinearEmbedding
>>> X, _ = load_digits(return_X_y=True)
>>> X.shape
(1797, 64)
>>> embedding = LocallyLinearEmbedding(n_components=2)
>>> X_transformed = embedding.fit_transform(X[:100])
>>> X_transformed.shape
(100, 2)
方法 說明
fit(X[, y]) 計算數據X的嵌入向量
fit_transform(X[, y]) 計算數據X的嵌入向量并變換X。
get_params([deep]) 獲取此估計量的參數。
set_params(**params) 設置此估算量的參數。
transform(X) 將新點轉換為嵌入空間。 
__init__(*, n_neighbors=5, n_components=2, reg=0.001, eigen_solver='auto', tol=1e-06, max_iter=100, method='standard', hessian_tol=0.0001, modified_tol=1e-12, neighbors_algorithm='auto', random_state=None, n_jobs=None)

[源碼]

初始化self， 請參閱help(type(self))以獲得準確的說明。

fit(X, y=None)

[源碼]

計算數據X的嵌入向量

參數 說明
X array-like of shape [n_samples, n_features]
訓練集。
y Ignored
返回值 說明
self returns an instance of self. 
fit_transform(X, y=None)

[源碼]

計算數據X的嵌入向量并變換X。

參數 說明
X array-like of shape [n_samples, n_features]
訓練集。
y Ignored
返回值 說明
X_new array-like, shape (n_samples, n_components) 
get_params(deep=True)

[源碼]

獲取此估計量的參數。

參數 說明
deep bool, default=True
如果為True，則將返回此估算量和作為估算量的所包含子對象的參數。
返回值 說明
params mapping of string to any
映射到其值的參數名。		 
set_params(**params)

[源碼]

設置此估算量的參數。

該方法適用于簡單估計量以及嵌套對象(例如pipelines)。后者具有形式的參數。<component>__<parameter>以便可以更新嵌套對象的每個組件。

參數 說明
**params dict
估算量參數。
返回值
self object
估算量實例。		 
transform(X)

[源碼]

將新點轉換為嵌入空間。

參數 說明
X array-like of shape (n_samples, n_features)
返回值 說明
X_new array, shape = [n_samples, n_components]

注

由于此方法執行縮放，因此不建議將其與非縮放不變的方法（例如SVM）一起使用.