sklearn.neighbors.NeighborhoodComponentsAnalysis?

class sklearn.neighbors.NeighborhoodComponentsAnalysis(n_components=None, *, init='auto', warm_start=False, max_iter=50, tol=1e-05, callback=None, verbose=0, random_state=None)

[源碼]

鄰域成分分析

鄰域成分分析（NCA）是一種用于度量學習的機器學習算法。 它以監督方式學習線性變換，以提高變換空間中隨機最近鄰規則的分類精度。

在用戶指南中閱讀更多內容。

參數 說明
n_components int, default=None
投影空間的首選尺寸。 如果為None，它將設置為n_features。
init {‘auto’, ‘pca’, ‘lda’, ‘identity’, ‘random’} or ndarray of shape (n_features_a, n_features_b), default=’auto’
線性變換的初始化。 可能的選項是“自動”，“ pca”，“ lda”，“identity”，“random”和形狀為numpy的數組（n_features_a，n_features_b）。
‘auto’
根據n_components，將選擇最合理的初始化。 如果n_components <= n_classes個，我們使用“ lda”，因為它使用標簽信息。 如果不是，但n_components <min（n_features，n_samples），則我們使用“ pca”，因為它將數據投影到有意義的方向（方差較大的方向）。 否則，我們僅使用“身份”。
‘pca’
傳遞給fit的輸入的n_components主成分將用于初始化轉換。 （請參閱PCA]
‘lda’
min（n_components，n_classes）傳遞給fit的輸入的大多數判別分量將用于初始化轉換。 （如果n_components> n_classes，則其余組件將為零。）（請參閱LinearDiscriminantAnalysis）
‘identity’
如果n_components嚴格小于傳遞給fit的輸入的維數，則單位矩陣將被截斷為前n_components行
‘random’
初始轉換將是形狀的隨機數組（n_components，n_features）。 每個值均從標準正態分布中采樣。
numpy array
n_features_b必須匹配傳遞給fit的輸入的維數，并且n_features_a必須小于或等于該值。 如果n_components不為None，則n_features_a必須匹配。*
warm_start bool, default=False
如果之前已調用True和fit，則將先前調用fit的解用作初始線性變換（n_components和init將被忽略）。
max_iter int, default=50
優化中的最大迭代次數。
tol float, default=1e-5
優化的收斂容限。
callback callable, default=None
如果不為None，則在優化程序的每次迭代之后都將調用此函數，并以當前解（展平的變換矩陣）和迭代次數為參數。 如果要檢查或存儲每次迭代后發現的轉換，這可能很有用。
verbose int, default=0
如果為0，則不會打印任何進度消息。 如果為1，則將進度消息打印到標準輸出。 如果> 1，則將打印進度消息，并將scipy.optimize.minimize的disp參數設置為詳細-2。
random_state int or numpy.RandomState, default=None
偽隨機數生成器對象或種子（如果為int）。 如果init ='random'，則random_state用于初始化隨機變換。 如果init ='pca'，則在初始化轉換時將random_state作為參數傳遞給PCA。 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>。
屬性 說明
components_ ndarray of shape (n_components, n_features)
擬合期間學習到的線性變換。
n_iter_ int
計算優化程序執行的迭代次數。
random_state_ numpy.RandomState
初始化期間使用的偽隨機數生成器對象。

參考資料

J. Goldberger, G. Hinton, S. Roweis, R. Salakhutdinov. “Neighbourhood Components Analysis”. Advances in Neural Information Processing Systems. 17, 513-520, 2005. http://www.cs.nyu.edu/~roweis/papers/ncanips.pdf

Wikipedia entry on Neighborhood Components Analysis https://en.wikipedia.org/wiki/Neighbourhood_components_analysis

示例

>>> from sklearn.neighbors import KNeighborsClassifier
>>> from sklearn.datasets import load_iris
>>> from sklearn.model_selection import train_test_split
>>> X, y = load_iris(return_X_y=True)
>>> X_train, X_test, y_train, y_test = train_test_split(X, y,
... stratify=y, test_size=0.7, random_state=42)
>>> nca = NeighborhoodComponentsAnalysis(random_state=42)
>>> nca.fit(X_train, y_train)
NeighborhoodComponentsAnalysis(...)
>>> knn = KNeighborsClassifier(n_neighbors=3)
>>> knn.fit(X_train, y_train)
KNeighborsClassifier(...)
>>> print(knn.score(X_test, y_test))
0.933333...
>>> knn.fit(nca.transform(X_train), y_train)
KNeighborsClassifier(...)
>>> print(knn.score(nca.transform(X_test), y_test))
0.961904...

方法

方法 說明
fit(X, y) 根據給定的訓練數據擬合模型。
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。
set_params(**params) 設置此估算器的參數。
transform(X) 將學習到的轉換應用于給定數據。 
__init__(n_components=None, *, init='auto', warm_start=False, max_iter=50, tol=1e-05, callback=None, verbose=0, random_state=None)

[源碼]

初始化， 請參閱help(type())以獲得準確的說明

fit(X, y)

[源碼]

根據給定的訓練數據擬合模型。

參數 說明
X array-like of shape (n_samples, n_features)
訓練樣本
y array-like of shape (n_samples,)
相應的訓練標簽
返回值 說明
self object
返回訓練有素的NeighborhoodComponentsAnalysis模型。		 
fit_transform(X, y=None, **fit_params)

[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, sparse matrix, dataframe} of shape (n_samples, n_features)
y ndarray of shape (n_samples,), default=None
目標值。
**fit_params dict
其他擬合參數
返回值 說明
X_new ndarray array of shape (n_samples, n_features_new)
轉換后的數組。		 
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。		 
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。		 
transform(X)

[源碼]

將學習到的轉換應用于給定數據。

參數 說明
X array-like of shape (n_samples, n_features)
數據樣本
返回值 說明
X_embedded 形狀的ndarray（n_samples，n_components）
數據樣本已轉換。

提出：

NotFittedError

如果之前尚未調用過fit。