sklearn.neighbors.RadiusNeighborsClassifier?
class sklearn.neighbors.RadiusNeighborsClassifier(radius=1.0, *, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', outlier_label=None, metric_params=None, n_jobs=None, **kwargs)
[源碼]
分類器在給定半徑內的臨近點之間進行投票
在用戶指南中閱讀更多內容。
| 參數 | 說明 |
|---|---|
| radius | float, default=1.0 默認情況下用于radius_neighbors查詢的參數空間范圍。 |
| weights | {‘uniform’, ‘distance’} or callable, default=’uniform’ 預測中使用的權重函數。 可能的值： “uniform”：統一權重。 每個鄰域中的所有點均被加權。 “distance”：權重點與其距離的倒數。 在這種情況下，查詢點的近鄰比遠處的近鄰具有更大的影響力。 [callable]：用戶定義的函數，該函數接受距離數組，并返回包含權重的相同形狀的數組。 默認情況下使用統一權重。 |
| algorithm | {‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}, default=’auto’ 用于計算最近臨近點的算法： “ ball_tree”將使用BallTree “ kd_tree”將使用KDTree “brute”將使用暴力搜索。 “auto”將嘗試根據傳遞給fit方法的值來決定最合適的算法。 注意：在稀疏輸入上進行擬合將使用蠻力覆蓋此參數的設置。 |
| leaf_size | int, default=30 葉大小傳遞給BallTree或KDTree。 這會影響構造和查詢的速度，以及存儲樹所需的內存。 最佳值取決于問題的性質。 |
| p | int, default=2 Minkowski指標的功率參數。 當p = 1時，這等效于對p = 2使用manhattan_distance（l1）和euclidean_distance（l2）。對于任意p，使用minkowski_distance（l_p）。 |
| metric | str or callable, default=’minkowski’ 樹使用的距離度量。 默認度量標準為minkowski，p = 2等于標準歐幾里德度量標準。 有關可用度量的列表，請參見DistanceMetric的文檔。 如果度量是“預先計算的”，則X被假定為距離矩陣sparse graph，并且在擬合過程中必須為平方。 X可能是一個稀疏圖，在這種情況下，只有“非零”元素可以被視為臨近點。 |
| outlier_label | {manual label, ‘most_frequent’}, default=None 離群樣本的標簽（給定半徑中沒有臨近點的樣本）。 manual label：str或int標簽（應與y類型相同）或使用多輸出時的手動標簽列表。 ‘most_frequent’：將y的最頻繁標簽分配給離群值。 None：檢測到任何異常值時，將引發ValueError。 |
| metric_params | dict, default=None 度量功能的其他關鍵字參數。 |
| n_jobs | int, default=None 為臨近點搜索運行的并行作業數。 除非在joblib.parallel_backend上下文中，否則None表示1。 -1表示使用所有處理器。 有關更多詳細信息，請參見詞匯表Glossary。 |
| 屬性 | 說明 |
|---|---|
| classes_ | ndarray of shape (n_classes,) 分類器已知的類標簽。 |
| effective_metric_ | str or callble 使用的距離度量。 它將與度量參數相同或與其相同，例如 如果metric參數設置為“ minkowski”，而p參數設置為2，則為“ euclidean”。 |
| effective_metric_params_ | dict 度量功能的其他關鍵字參數。 對于大多數指標而言，它與metric_params參數相同，但是，如果將valid_metric_屬性設置為“ minkowski”，則也可能包含p參數值。 |
| outputs_2d_ | bool 如果在擬合期間y的形狀為（n_samples，）或（n_samples，1），則為True。 |
另見：
聲明
有關算法選擇和leaf_size的討論，請參見在線文檔中的Nearest Neighbors。
https://en.wikipedia.org/wiki/K-nearest_neighbor_algorithm
示例
>>> X = [[0], [1], [2], [3]]
>>> y = [0, 0, 1, 1]
>>> from sklearn.neighbors import RadiusNeighborsClassifier
>>> neigh = RadiusNeighborsClassifier(radius=1.0)
>>> neigh.fit(X, y)
RadiusNeighborsClassifier(...)
>>> print(neigh.predict([[1.5]]))
[0]
>>> print(neigh.predict_proba([[1.0]]))
[[0.66666667 0.33333333]]
| 方法 | 說明 |
|---|---|
fit(X, y) |
使用X作為訓練數據和y作為目標值擬合模型 |
get_params([deep]) |
獲取此估計量的參數。 |
predict(X) |
預測提供的數據的類標簽。 |
predict_proba(X) |
測試數據X的返回概率估計。 |
radius_neighbors([X, radius, …]) |
查找一個或多個給定半徑內的臨近點。 |
radius_neighbors_graph([X, radius, mode, …]) |
計算X中點的臨近點（加權）圖 |
score(X, y[, sample_weight]) |
返回給定測試數據和標簽上的平均準確度。 |
set_params(**params) |
設置此估算器的參數。 |
__init__(radius=1.0, *, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', outlier_label=None, metric_params=None, n_jobs=None, **kwargs)
[源碼]
初始化， 請參閱help(type())以獲得準確的說明
fit(X, y)
[源碼]
使用X作為訓練數據和y作為目標值擬合模型
| 參數 | 說明 |
|---|---|
| X | BallTree, KDTree or {array-like, sparse matrix} of shape (n_samples, n_features) or (n_samples, n_samples) 訓練數據。 如果是數組或矩陣，則形狀為（n_samples，n_features）或者如果metric =“ precomputed”，則形狀為（n_samples，n_samples）。 |
| y | {array-like, sparse matrix} of shape (n_samples,) or (n_samples, n_output) 目標值。 |
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 |
predict(X)
[源碼]
預測提供的數據的類標簽。
| 參數 | 說明 |
|---|---|
| X | array-like of shape (n_queries, n_features), or (n_queries, n_indexed) if metric == ‘precomputed’ 測試數據集 |
| 返回值 | 說明 |
|---|---|
| y | ndarray of shape (n_queries,) or (n_queries, n_outputs) 每個數據樣本的類標簽。 |
predict_proba(X)
[源碼]
測試數據X的返回概率估計。
| 參數 | 說明 |
|---|---|
| X | array-like of shape (n_queries, n_features), or (n_queries, n_indexed) if metric == ‘precomputed’ 測試樣本 |
| 返回值 | 說明 |
|---|---|
| p | ndarray of shape (n_queries, n_classes), or a list of n_outputs 如果n_outputs> 1，則為此類數組。輸入樣本的類概率。 類按字典順序排序。 |
radius_neighbors(X=None, radius=None, return_distance=True, sort_results=False)
[源碼]
查找一個或多個給定半徑內的臨近點。
返回數據集中每個點的索引和距離，該數據集位于一個球中，球的大小半徑圍繞查詢數組的點。 邊界上的點包括在結果中。
結果點不一定按與查詢點的距離排序。
| 參數值 | 說明 |
|---|---|
| X | array-like, (n_samples, n_features), optional 查詢點。 如果未提供，則返回每個索引點的臨近點。 在這種情況下，查詢點不被視為其自己的臨近點。 |
| radius | float 限制臨近點返回的距離。 （默認值為傳遞給構造函數的值）。 |
| return_distance | boolean, optional. Defaults to True. 如果為False，則不會返回距離。 |
| sort_results | boolean, optional. Defaults to False. 如果為True，則距離和索引將在返回之前進行排序。 如果為False，則不會對結果進行排序。 如果return_distance == False，則將sort_results = True設置將導致錯誤。 0.22版中的新功能。 |
| 返回值 | 說明 |
|---|---|
| neigh_dist | array, shape (n_samples,) of arrays 表示到每個點的距離的數組，僅當return_distance = True時才存在。 距離值是根據度量構造函數參數計算的。 |
| neigh_ind | array, shape (n_samples,) of arrays 人口矩陣中距離查詢點最近的近似點的索引數組。 |
聲明
因為每個點的臨近點數不一定相等，所以多個查詢點的結果不能適合標準數據數組。 為了提高效率，radius_neighbors返回對象數組，其中每個對象都是一維索引或距離數組。
示例
在以下示例中，我們從代表數據集的數組構造NeighborsClassifier類，并詢問誰是最接近[1，1，1]的點：
>>> import numpy as np
>>> samples = [[0., 0., 0.], [0., .5, 0.], [1., 1., .5]]
>>> from sklearn.neighbors import NearestNeighbors
>>> neigh = NearestNeighbors(radius=1.6)
>>> neigh.fit(samples)
NearestNeighbors(radius=1.6)
>>> rng = neigh.radius_neighbors([[1., 1., 1.]])
>>> print(np.asarray(rng[0][0]))
[1.5 0.5]
>>> print(np.asarray(rng[1][0]))
[1 2]
返回的第一個數組包含到所有小于1.6的點的距離，而返回的第二個數組包含其索引。 通常，可以同時查詢多個點。
radius_neighbors_graph(X=None, radius=None, mode='connectivity', sort_results=False)
[源碼]
計算X中點的臨近點（加權）圖
鄰域限制點的距離小于半徑。
| 參數 | 說明 |
|---|---|
| X | array-like of shape (n_samples, n_features), default=None 查詢點。 如果未提供，則返回每個索引點的臨近點。 在這種情況下，查詢點不被視為其自己的臨近點。 |
| radius | float 社區半徑。 （默認值為傳遞給構造函數的值）。 |
| mode | {‘connectivity’, ‘distance’}, optional 返回矩陣的類型：“連通性”將返回具有1和0的連通性矩陣，在“距離”中，邊為點之間的歐幾里得距離。 |
| sort_results | boolean, optional. Defaults to False. 如果為True，則距離和索引將在返回之前進行排序。 如果為False，則不會對結果進行排序。 僅與mode =” distance”一起使用。 0.22版中的新功能。 |
| 返回值 | 說明 |
|---|---|
| A | sparse graph in CSR format, shape = [n_queries, n_samples_fit] n_samples_fit是擬合數據中的樣本數A [i，j]，分配了將i連接到j的邊的權重。 |
另見 ：
示例
>>> X = [[0], [3], [1]]
>>> from sklearn.neighbors import NearestNeighbors
>>> neigh = NearestNeighbors(radius=1.5)
>>> neigh.fit(X)
NearestNeighbors(radius=1.5)
>>> A = neigh.radius_neighbors_graph(X)
>>> A.toarray()
array([[1., 0., 1.],
[0., 1., 0.],
[1., 0., 1.]])
score(X, y, sample_weight=None)
[源碼]
返回給定測試數據和標簽上的平均準確度。
在多標簽分類中，這是子集準確性，這是一個嚴格的指標，因為您需要為每個樣本正確預測每個標簽集。
| 參數 | 說明 |
|---|---|
| X | array-like of shape (n_samples, n_features) 測試樣本 |
| y | array-like of shape (n_samples,) or (n_samples, n_outputs) X的真實標簽。 |
| sample_weight | array-like of shape (n_samples,), default=None 樣本權重 |
| 返回值 | 說明 |
|---|---|
| score | float .predict（X）wrt.y的平均準確度 |
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
| 參數 | 說明 |
|---|---|
| **params | dict 估算器參數。 |
| 返回值 | 說明 |
|---|---|
| self | object 估算器實例。 |