sklearn.manifold.SpectralEmbedding?

class sklearn.manifold.SpectralEmbedding(n_components=2, *, affinity='nearest_neighbors', gamma=None, random_state=None, eigen_solver=None, n_neighbors=None, n_jobs=None)

[源碼]

頻譜嵌入用于非線性降維。

形成指定函數給定的親和矩陣，并將光譜分解應用于相應的圖拉普拉斯圖。對于每個數據點，通過特征向量的值來給出結果轉換。

注意：拉普拉斯特征圖是此處實現的實際算法。

在用戶指南中閱讀更多內容。

參數 說明
n_components integer, default: 2
降維到的維數
affinity string or callable, default
How to construct the affinity matrix.
- 'nearest_neighbors'：通過計算最近鄰圖構造親和矩陣。
- ‘rbf’ :通過計算徑向基函數（RBF）內核來構造親和矩陣。
- 'precompulated'：將X解釋為預計算的親和矩陣。
- 'precomputed_nearest_neighbors'：將X解釋為預計算最近鄰的稀疏圖，并通過選擇n_neighbors最近鄰來構造親和力矩陣。
- callable：使用傳入函數作為關聯函數函數接受數據矩陣(n_samples, n_features)和返回關聯矩陣(n_samples, n_samples)。
gamma float, optional, default
rbf核的核系數。
random_state int, RandomState instance, default=None
當solver=='amg' 時，確定用于lobpcg特征向量初始化的隨機數生成器。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>.
eigen_solver {None, ‘arpack’, ‘lobpcg’, or ‘amg’}
采用特征值分解策略。AMG要求安裝pyamg。在非常大的，稀疏的問題上它可以更快。
n_neighbors int, default
最近鄰圖構建的最近鄰數。
n_jobs int or None, optional (default=None)
用于進行計算的CPU數量。 如果使用多個初始化（n_init），則算法的每次運行都是并行計算的。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, shape = (n_samples, n_components)
訓練矩陣的頻譜嵌入。
affinity_matrix_ array, shape = (n_samples, n_samples)
由樣本或預計算的親和矩陣。
n_neighbors_ int
有效使用的最近鄰的數量。

參考文獻

1 A Tutorial on Spectral Clustering, 2007 Ulrike von Luxburg http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.165.9323

2 On Spectral Clustering: Analysis and an algorithm, 2001 Andrew Y. Ng, Michael I. Jordan, Yair Weiss http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.19.8100

3 Normalized cuts and image segmentation, 2000 Jianbo Shi, Jitendra Malik http://citeseer.ist.psu.edu/viewdoc/summary?doi=10.1.1.160.2324

實例

>>> from sklearn.datasets import load_digits
>>> from sklearn.manifold import SpectralEmbedding
>>> X, _ = load_digits(return_X_y=True)
>>> X.shape
(1797, 64)
>>> embedding = SpectralEmbedding(n_components=2)
>>> X_transformed = embedding.fit_transform(X[:100])
>>> X_transformed.shape
(100, 2)
方法 說明
fit(X[, y]) 根據X中的數據擬合模型。
fit_transform(X[, y]) 根據X中的數據擬合模型并轉換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。 
__init__(n_components=2, *, affinity='nearest_neighbors', gamma=None, random_state=None, eigen_solver=None, n_neighbors=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]

根據X中的數據擬合模型。

參數 說明
X {array-like, sparse matrix}, shape (n_samples, n_features)
訓練向量，其中n_samples是樣本數，n_features是特征數。
如果affinity（親和度）是“預先計算的” X : {array-like, sparse matrix}，shape (n_samples, n_samples)，則將X解釋為根據樣本計算得出的預先計算的鄰接圖。
返回值 說明
self object
返回實例本身。		 
fit_transform(X, y=None)

[源碼]

根據X中的數據擬合模型并轉換X。

參數 說明
X {array-like, sparse matrix}, shape (n_samples, n_features)
訓練向量，其中n_samples是樣本數，n_features是特征數。
如果affinity（親和度）是“預先計算的” X : {array-like, sparse matrix}，shape (n_samples, n_samples)，則將X解釋為根據樣本計算得出的預先計算的鄰接圖。
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 說明
self object
估算量實例。