sklearn.neighbors.KernelDensity?

lass sklearn.neighbors.KernelDensity(*, bandwidth=1.0, algorithm='auto', kernel='gaussian', metric='euclidean', atol=0, rtol=0, breadth_first=True, leaf_size=40, metric_params=None)       

[源碼]

內核密度估計。

在用戶指南中閱讀更多內容。

參數 說明
bandwidth float
內核的帶寬。
algorithm str
要使用的樹算法。 有效選項為[‘kd_tree’,ball_tree',‘auto']，默認的是'auto'.
kernel str
要使用的內核。 有效內核為['gaussian',’tophat',’epanechnikov’,’exponential',’linear’,’cosine’],默認的是‘gaussian’.
metric str
使用的距離度量。 請注意，并非所有指標對所有算法都有效。 有關可用算法的描述，請參考BallTree和KDTree的文檔。 請注意，密度輸出的歸一化僅對于歐幾里得距離度量是正確的。 默認值為“歐幾里得”。
atol float
結果的所需絕對公差。 較大的公差通常會導致執行速度更快。 默認值為0。
rtol float
結果的所需相對公差。 較大的公差通常會導致執行速度更快。 默認值為1E-8。
breadth_first bool
如果為true（默認值），請使用廣度優先的方法來解決問題。 否則，請使用深度優先的方法。
leaf_size int
指定基礎樹的葉大小。 有關詳細信息，請參見BallTree或KDTree。 默認值為40。
metric_params dict
要傳遞給樹以用于度量標準的其他參數。 有關更多信息，請參見BallTree或KDTree的文檔。

另見

sklearn.neighbors.KDTree

快速廣義N點問題的K-dimensional tree。

sklearn.neighbors.BallTree

快速廣義N點問題的球樹。

示例

用固定帶寬計算高斯核密度估計。

>>> import numpy as np 
>>> rng = np.random.RandomState(42) 
>>> X = rng.random_sample((100, 3)) 
>>> kde = KernelDensity(kernel=’gaussian’, bandwidth=0.5).fit(X) 
>>> log_density = kde.score_samples(X[:3]) 
>>> log_density 
array([-1.52955942, -1.51462041, -1.60244657])

方法

方法 說明
fit(, X[, y, sample_weight]) 在數據上擬合核密度模型。
get_params([deep]) 獲取此估計量的參數。
sample([,n_samples, random_state]) 從模型生成隨機樣本。
score(X[, y]) 計算模型下的總對數概率密度。
score_samples(X) 在數據上評估對數密度模型。
set_params( **params) 設置此估算器的參數。 
__init__( *, bandwidth=1.0, algorithm='auto', kernel='gaussian', metric='euclidean', atol=0, rtol=0, breadth_first=True, leaf_size=40, metric_params=None)

源碼

初始化. 請參閱help(type(self))以獲得準確的說明。

fit(X, y=None, sample_weight=None)

源碼

在數據上擬合核密度模型。

參數 說明
X array-like of shape (n_samples, n_features)
n_features維數據點列表。 每行對應一個數據點。
y None
忽略。 僅存在此參數是為了與sklearn.pipeline.Pipeline兼容。
sample_weight array_like, shape (n_samples,), optional)
數據X附帶的樣本權重列表。
0.20版中的新功能。
返回值 說明
self object
返回對象的實例。		 
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，則將返回此估算器和作為估算器的所包含子對象的參數。
返回值 說明
params mapping of string to any
參數名稱映射到其值。		 
sample( n_samples=1, random_state=None)

源碼

從模型生成隨機樣本。

當前，這僅適用于高斯和高帽內核。

參數 說明
n_samples int, optional
要生成的樣本數。 默認為1。
random_state int, RandomState instance, default=None
確定用于生成隨機樣本的隨機數生成。 在多個函數調用之間傳遞int以獲得可重復的結果。 參見：term：詞匯表<random_state>。
返回值 說明
X array_like, shape (n_samples, n_features)
樣本列表。		 
score(, X, y=None)

源碼

計算模型下的總對數概率密度。

參數 說明
X array_like, shape (n_samples, n_features)
n_features維數據點列表。 每行對應一個數據點。
y None
忽略。僅存在此參數是為了與sklearn.pipeline.Pipeline兼容
返回值 說明
logprob float
X中數據的總對數似然性。這被歸一化為概率密度，因此對于高維數據，該值將較低。		 
score_samples(X)

源碼

在數據上評估對數密度模型。

參數 說明
X array_like, shape (n_samples, n_features)
要查詢的點數組。 最后維度應與訓練數據的維度（n_features）相匹配。
返回值 說明
density ndarray, shape (n_samples,)
對數（密度）評估值的數組。 這些被歸一化為概率密度，因此對于高維數據，值將較低。		 
set_params(**params)

源碼

設置此估算器的參數。

該方法適用于簡單的估計器以及嵌套對象（例如管道）。 后者的參數格式為 __ ，以便可以更新嵌套對象的每個組件。

參數 說明
**params dict
估算器參數。
返回值 說明
self object
估算器實例。