Примечание

Перейти в конец, чтобы скачать полный код примера или запустить этот пример в браузере с помощью JupyterLite или Binder.

Распространение меток на окружностях: изучение сложной структуры

Пример того, как LabelPropagation изучает сложную внутреннюю структуру, демонстрируя «обучение на многообразиях». Внешняя окружность должна быть помечена как «красная», а внутренняя — как «синяя». Поскольку каждая группа меток расположена внутри собственной отдельной фигуры, мы можем убедиться, что метки правильно распространяются по окружности.

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

Мы создаём набор данных из двух концентрических окружностей. Кроме того, каждому образцу набора данных присваивается метка: 0 (принадлежит внешней окружности), 1 (принадлежит внутренней окружности) или -1 (неизвестно). Здесь все метки, кроме двух, обозначены как неизвестные.

import numpy as np

from sklearn.datasets import make_circles

n_samples = 200
X, y = make_circles(n_samples=n_samples, shuffle=False)
outer, inner = 0, 1
labels = np.full(n_samples, -1.0)
labels[0] = outer
labels[-1] = inner

Построение графика исходных данных

import matplotlib.pyplot as plt

plt.figure(figsize=(4, 4))
plt.scatter(
    X[labels == outer, 0],
    X[labels == outer, 1],
    color="navy",
    marker="s",
    lw=0,
    label="outer labeled",
    s=10,
)
plt.scatter(
    X[labels == inner, 0],
    X[labels == inner, 1],
    color="c",
    marker="s",
    lw=0,
    label="inner labeled",
    s=10,
)
plt.scatter(
    X[labels == -1, 0],
    X[labels == -1, 1],
    color="darkorange",
    marker=".",
    label="unlabeled",
)
plt.legend(scatterpoints=1, shadow=False, loc="center")
_ = plt.title("Raw data (2 classes=outer and inner)")

Цель LabelSpreading — присвоить метку образцу, для которого она изначально неизвестна.

from sklearn.semi_supervised import LabelSpreading

label_spread = LabelSpreading(kernel="knn", alpha=0.8)
label_spread.fit(X, labels)

LabelSpreading(alpha=0.8, kernel='knn')

В среде Jupyter повторно выполните эту ячейку, чтобы отобразить представление HTML, или доверьте доступ к записной книжке.
На GitHub представление HTML отображаться не может; попробуйте открыть эту страницу на nbviewer.org.

LabelSpreading

?Документация по LabelSpreadingiОбучен

Параметры

	kernel kernel: {'knn', 'rbf'} или вызываемый объект, по умолчанию='rbf' Строковый идентификатор используемой функции ядра или сама функция ядра. Допустимы только строки 'rbf' и 'knn'. Передаваемая функция должна принимать два аргумента, каждый формы (n_samples, n_features), и возвращать матрицу весов формы (n_samples, n_samples).	'knn'
	alpha alpha: float, по умолчанию=0.2 Коэффициент ограничения. Значение из интервала (0, 1), задающее, в какой степени образец должен перенимать информацию от соседей, а не опираться на свою начальную метку. При alpha=0 начальная информация о метках сохраняется; при alpha=1 вся начальная информация заменяется.	0.8
	gamma gamma: float, по умолчанию=20 Параметр ядра rbf.	20
	n_neighbors n_neighbors: int, по умолчанию=7 Параметр ядра knn, представляющий собой строго положительное целое число.	7
	max_iter max_iter: int, по умолчанию=30 Максимальное допустимое число итераций.	30
	tol tol: float, по умолчанию=1e-3 Допуск сходимости: порог, при достижении которого система считается находящейся в стационарном состоянии.	0.001
	n_jobs n_jobs: int, по умолчанию=None Количество параллельных заданий для запуска. ``None`` означает 1, если только не используется контекст :obj:`joblib.parallel_backend`. ``-1`` означает использование всех процессоров. Подробнее см. :term:`Глоссарий <n_jobs>`.	None

Обученные атрибуты

Название	Тип	Значение
X_ X_: ndarray формы (n_samples, n_features) Входной массив.	ndarray[float64](200, 2)	[[ 1. , 0. ], [ 1. , 0.06], [ 0.99, 0.13], ..., [ 0.79,-0.15], [ 0.79,-0.1 ], [ 0.8 ,-0.05]]
classes_ classes_: ndarray формы (n_classes,) Различные метки, используемые для классификации образцов.	ndarray[float64](2,)	[0.,1.]
label_distributions_ label_distributions_: ndarray формы (n_samples, n_classes) Категориальное распределение для каждого элемента.	ndarray[float64](200, 2)	[[1.,0.], [1.,0.], [1.,0.], ..., [0.,1.], [0.,1.], [0.,1.]]
n_features_in_ n_features_in_: int Количество признаков, обнаруженных во время :term:`обучения`. .. versionadded:: 0.24	int	2
n_iter_ n_iter_: int Число выполненных итераций.	int	18
transduction_ transduction_: ndarray формы (n_samples,) Метка, присвоенная каждому элементу во время :term:`обучения`.	ndarray[float64](200,)	[0.,0.,0.,...,1.,1.,1.]

Теперь мы можем проверить, какие метки были присвоены каждому образцу, для которого метка была неизвестна.

output_labels = label_spread.transduction_
output_label_array = np.asarray(output_labels)
outer_numbers = (output_label_array == outer).nonzero()[0]
inner_numbers = (output_label_array == inner).nonzero()[0]

plt.figure(figsize=(4, 4))
plt.scatter(
    X[outer_numbers, 0],
    X[outer_numbers, 1],
    color="navy",
    marker="s",
    lw=0,
    s=10,
    label="outer learned",
)
plt.scatter(
    X[inner_numbers, 0],
    X[inner_numbers, 1],
    color="c",
    marker="s",
    lw=0,
    s=10,
    label="inner learned",
)
plt.legend(scatterpoints=1, shadow=False, loc="center")
plt.title("Labels learned with Label Spreading (KNN)")
plt.show()

Labels learned with Label Spreading (KNN)

Общее время выполнения скрипта: (0 минут 0.155 секунды)

Связанные примеры

Граница принятия решений классификаторов с частичным привлечением учителя и SVM на наборе данных Iris

Демонстрация алгоритма Spectral Biclustering

Классификация текстовых данных с частичным привлечением учителя

Распространение меток на цифрах: оценка производительности

© 2007–2026 The scikit-learn developers
Licensed under the 3-clause BSD License.
https://scikit-learn.org/1.9/auto_examples/semi_supervised/plot_label_propagation_structure.html