ClassicalMDS

classsklearn.manifold.ClassicalMDS(n_components=2, *, metric='euclidean', metric_params=None)[исходный код]

Классическое многомерное шкалирование (MDS).

Этот метод также известен как анализ главных координат (PCoA) или шкалирование Торгерсона. Это разновидность MDS, имеющая точное решение в виде разложения на собственные значения и векторы. Если входная матрица различий состоит из попарных евклидовых расстояний между некоторыми векторами, классическое MDS эквивалентно PCA, применённому к этому набору векторов.

Подробнее см. в руководстве пользователя.

Параметры:

n_componentsint, по умолчанию=2

Количество размерностей встраивания.

metricstr или вызываемый объект, по умолчанию=’euclidean’

Метрика, используемая для вычисления различий. По умолчанию — «euclidean».

Если metric — строка, она должна быть одним из вариантов, разрешённых для параметра метрики в scipy.spatial.distance.pdist, или метрикой, указанной в sklearn.metrics.pairwise.distance_metrics

Если metric имеет значение “precomputed”, предполагается, что X — матрица расстояний; во время fit она должна быть квадратной.

Если metric — вызываемая функция, она принимает на вход два массива, представляющих одномерные векторы, и должна возвращать одно значение, указывающее расстояние между этими векторами. Это работает с метриками Scipy, но менее эффективно, чем передача имени метрики в виде строки.

metric_paramsdict, по умолчанию=None

Дополнительные именованные аргументы для вычисления различий.

Атрибуты:

embedding_ndarray формы (n_samples, n_components)

Содержит положение набора данных в пространстве встраивания.

dissimilarity_matrix_ndarray формы (n_samples, n_samples)

Попарные различия между точками.

eigenvalues_ndarray формы (n_components,)

Собственные значения матрицы различий с двойным центрированием, соответствующие каждому из выбранных компонентов. Они равны квадратам норм 2 n_components переменных в пространстве встраивания.

n_features_in_int

Количество признаков, обнаруженных во время fit.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, обнаруженных во время fit. Определяется только тогда, когда X содержит имена признаков, представленные строками.

См. также

sklearn.decomposition.PCA

Анализ главных компонент.

MDS

Метрическое и неметрическое MDS.

Литература

[1]

«Современное многомерное шкалирование — теория и приложения» Borg, I.; Groenen P. Серия Springer по статистике (1997)

Примеры

>>> from sklearn.datasets import load_digits
>>> from sklearn.manifold import ClassicalMDS
>>> X, _ = load_digits(return_X_y=True)
>>> X.shape
(1797, 64)
>>> cmds = ClassicalMDS(n_components=2)
>>> X_emb = cmds.fit_transform(X[:100])
>>> X_emb.shape
(100, 2)

fit(X, y=None)[исходный код]

Вычислить координаты встраивания.

Параметры:

Xarray-like формы (n_samples, n_features) или (n_samples, n_samples)

Входные данные. Если metric=='precomputed', на входе должна быть матрица различий.

yИгнорируется

Не используется; присутствует по соглашению для согласованности API.

Возвращает:

selfobject

Обученный оцениватель.

fit_transform(X, y=None)[исходный код]

Вычислить и вернуть координаты встраивания.

Параметры:

Xarray-like формы (n_samples, n_features) или (n_samples, n_samples)

Входные данные. Если metric=='precomputed', на входе должна быть матрица различий.

yИгнорируется

Не используется; присутствует по соглашению для согласованности API.

Возвращает:

X_newndarray формы (n_samples, n_components)

Координаты встраивания.

get_metadata_routing()[исходный код]

Получить настройки маршрутизации метаданных этого объекта.

О том, как работает механизм маршрутизации, см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[исходный код]

Получить параметры этого оценивателя.

Параметры:

deepbool, по умолчанию=True

Если True, будут возвращены параметры этого оценивателя и содержащихся в нём подобъектов, которые являются оценивателями.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

set_params(**params)[исходный код]

Установить параметры этого оценивателя.

Метод работает как с простыми оценивателями, так и с вложенными объектами (например, Pipeline). У последних параметры имеют формат <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценивателя.

Возвращает:

selfэкземпляр оценивателя

Экземпляр оценивателя.

Примеры из галереи

Сравнение методов обучения многообразий

Обучение многообразий на рукописных цифрах: локальное линейное вложение, Isomap…

Методы обучения многообразий на разрезанной сфере

Многомерное шкалирование

Основные нововведения scikit-learn 1.8