sklearn.neighbors.kneighbors_graph?
sklearn.neighbors.kneighbors_graph(X, n_neighbors, *, mode='connectivity', metric='minkowski', p=2, metric_params=None, include_=False, n_jobs=None)
[源碼]
計算X中點的k臨近點的（加權）圖
在用戶指南中閱讀更多內容。
| 參數 | 說明 |
|---|---|
| X | array-like of shape (n_samples, n_features) or BallTree 樣本數據，以numpy數組或預先計算的BallTree形式。 |
| n_neighbors | int 每個樣本的臨近點數。 |
| mode | {‘connectivity’, ‘distance’}, default=’connectivity’ 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。 |
| metric | str, default=’minkowski’ 用于計算每個采樣點的k臨近點的距離度量。 DistanceMetric類提供了可用指標的列表。 默認距離是'euclidean'（“ minkowski”度量標準，p參數等于2。） |
| 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_params | dict, default=None 度量功能的其他關鍵字參數。 |
| include_ | bool or ‘auto’, default=False 是否將每個樣本標記為其自身的第一個最近臨近點。 如果為“自動”，則模式=“連接性”使用True，模式=“距離”使用False。 |
| 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。 |
| 返回值 | 說明 |
|---|---|
| A | sparse matrix of shape (n_samples, n_samples) 該圖為A [i，j]分配了將i連接到j的邊的權重。 矩陣為CSR格式。 |
另見：
示例
>>> X = [[0], [3], [1]]
>>> from sklearn.neighbors import kneighbors_graph
>>> A = kneighbors_graph(X, 2, mode='connectivity', include_=True)
>>> A.toarray()
array([[1., 0., 1.],
[0., 1., 1.],
[1., 0., 1.]])
