sklearn.neighbors.RadiusNeighborsTransformer?
class sklearn.neighbors.RadiusNeighborsTransformer(*, mode='distance', radius=1.0, algorithm='auto', leaf_size=30, metric='minkowski', p=2, metric_params=None, n_jobs=1)
[源碼]
將X轉換為比半徑更近的臨近點的（加權）圖
轉換后的數據是由radius_neighbors_graph返回的稀疏圖。
在用戶指南中閱讀更多內容。
0.22版中的新功能。
| 參數 | 說明 |
|---|---|
| mode | {‘distance’, ‘connectivity’}, default=’distance’ 返回矩陣的類型：“連通性”將返回帶1和0的連通性矩陣，“距離”將根據給定的指標返回臨近點之間的距離。 |
| radius | float, default=1. 變換后的稀疏圖中的鄰域半徑。 |
| 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：稀疏輸入上的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。 |
| metric | str or callable, default=’minkowski’ 用于距離計算的指標。 可以使用scikit-learn或scipy.spatial.distance中的任何度量。 如果metric是可調用的函數，則會在每對實例（行）上調用它，并記錄結果值。 可調用對象應將兩個數組作為輸入并返回一個值，指示它們之間的距離。 這適用于Scipy的指標，但效率不如將指標名稱作為字符串傳遞。 不支持距離矩陣。 指標的有效值為： 來自 scikit-learn: [‘cityblock’, ‘cosine’, ‘euclidean’, ‘l1’, ‘l2’, ‘manhattan’] 來自 scipy.spatial.distance: [‘braycurtis’, ‘canberra’, ‘chebyshev’, ‘correlation’, ‘dice’, ‘hamming’, ‘jaccard’, ‘kulsinski’, ‘mahalanobis’, ‘minkowski’, ‘rogerstanimoto’, ‘russellrao’, ‘seuclidean’, ‘sokalmichener’, ‘sokalsneath’, ‘sqeuclidean’, ‘yule’] 有關這些指標的詳細信息，請參見scipy.spatial.distance的文檔。 |
| p | int, default=2 sklearn.metrics.pairwise.pairwise_distances中的Minkowski指標的參數。 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_params | dict, default=None 度量功能的其他關鍵字參數。 |
| n_jobs | int, default=1 為臨近點搜索運行的并行作業數。 如果為-1，則作業數將設置為CPU內核數。 |
示例
>>> from sklearn.cluster import DBSCAN
>>> from sklearn.neighbors import RadiusNeighborsTransformer
>>> from sklearn.pipeline import make_pipeline
>>> estimator = make_pipeline(
... RadiusNeighborsTransformer(radius=42.0, mode='distance'),
... DBSCAN(min_samples=30, metric='precomputed'))
方法
| 方法 | 說明 |
|---|---|
fit(X[, y]) |
使用X作為訓練數據擬合模型 |
fit_transform(X[, y]) |
適合數據，然后對其進行轉換。 |
get_params([deep]) |
獲取此估計量的參數。 |
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 |
set_params(**params) |
設置此估算器的參數。 |
transform(X) |
計算X中點的臨近點（加權）圖 |
__init__(*, mode='distance', radius=1.0, algorithm='auto', leaf_size=30, metric='minkowski', p=2, metric_params=None, n_jobs=1)
[源碼]
初始化， 請參閱help(type())以獲得準確的說明
fit(X, y=None)
[源碼]
使用X作為訓練數據擬合模型
| 參數 | 說明 |
|---|---|
| X | {array-like, sparse matrix, BallTree, KDTree} 訓練數據。 如果是數組或矩陣，則將形狀設置為[n_samples，n_features]，如果是metric =“ precomputed”，則設置為[n_samples，n_samples] |
fit_transform(X, y=None)
[源碼]
適合數據，然后對其進行轉換。
使用可選參數fit_params將轉換器擬合到X和y，并返回X的轉換版本。
| 參數 | 說明 |
|---|---|
| X | array-like of shape (n_samples, n_features) 訓練集 |
| y | ignored |
| 返回值 | 說明 |
|---|---|
| Xt | sparse matrix of shape (n_samples, n_samples) 為Xt [i，j]分配將i連接到j的邊的權重。 僅臨近點具有顯式值。 對角線始終是明確的。 矩陣為CSR格式。 |
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。 |
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 | 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.]])
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。 |
transform(X)
[源碼]
計算X中點的臨近點（加權）圖
| 參數 | 說明 |
|---|---|
| X | array-like of shape (n_samples_transform, n_features) 樣本數據 |
| 返回值 | 說明 |
|---|---|
| Xt | sparse matrix of shape (n_samples_transform, n_samples_fit) 為Xt [i，j]分配將i連接到j的邊的權重。 僅臨近點具有顯式值。 對角線始終是明確的。 矩陣為CSR格式。 |