sklearn.manifold.locally_linear_embedding?

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

[源碼]

對數據執行局部線性嵌入分析。

在用戶指南中閱讀更多內容。

參數 說明
X {array-like, NearestNeighbors}
以numpy數組或NearestNeighbors對象形式的樣本數據shape = (n_samples, n_features)
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’}
‘auto’：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
'arpack'方法的公差，如果eigen_solver =='dense'不使用。
max_iter integer
arpack求解器的最大迭代次數。
method {‘standard’, ‘hessian’, ‘modified’, ‘ltsa’}
standard use the standard locally linear embedding algorithm.
參見參考文獻[1]
hessian use the Hessian eigenmap method. This method requires
n_neighbors> n_components *（1 +（n_components +1）/2。請參見參考文獻[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'時使用
modified_tol float, optional
修正的LLE方法的公差。僅在method=='modified'時使用
random_state int, RandomState instance, default=None
當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)
為鄰居搜索運行的并行作業數。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。
返回值 說明
Y array-like, shape [n_samples, n_components]
嵌入向量。
squared_error float
嵌入向量的重建誤差。相當于 norm(Y - W Y, 'fro')**2, 其中W是重建權重。

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)

sklearn.manifold.locally_linear_embedding使用實例?