Изомап

классsklearn.manifold.Isomap(*, n_neighbors=5, radius=None, n_components=2, eigen_solver='auto', tol=0, max_iter=None, path_method='auto', neighbors_algorithm='auto', n_jobs=None, metric='minkowski', p=2, metric_params=None)[source]

Вложение Isomap.

Нелинейное уменьшение размерности с помощью изометрического отображения

Подробнее см. в Руководстве пользователя.

Параметры:

n_neighborsint или None, по умолчанию=5

Количество соседей для рассмотрения для каждой точки. Если n_neighbors — целое число, то radius должно быть None.

radiusfloat или None, по умолчанию=None

Предельное расстояние соседей для возврата. Если radius — число с плавающей точкой, то n_neighbors должно быть установлено на None.

Добавлен в версии 1.1.

n_componentsint, по умолчанию=2

Количество координат для многообразия.

eigen_solver{‘auto’, ‘arpack’, ‘dense’}, по умолчанию=’auto’

‘auto’ : Попытка выбрать наиболее эффективный решатель для данной задачи.

‘arpack’ : Использование разложения Арнольди для нахождения собственных значений и векторов.

‘dense’ : Использование прямого решателя (т.е. LAPACK) для разложения по собственным значениям.

tolfloat, по умолчанию=0

Допуск сходимости, передаваемый в arpack или lobpcg. Не используется, если eigen_solver == ‘dense’.

max_iterint, по умолчанию=None

Максимальное количество итераций для решателя arpack. Не используется, если eigen_solver == ‘dense’.

path_method{‘auto’, ‘FW’, ‘D’}, по умолчанию=’auto’

Метод, используемый для поиска кратчайшего пути.

‘auto’ : попытка автоматически выбрать лучший алгоритм.

‘FW’ : алгоритм Флойда-Уоршелла.

‘D’ : алгоритм Дейкстры.

neighbors_algorithm{‘auto’, ‘brute’, ‘kd_tree’, ‘ball_tree’}, по умолчанию=’auto’

Алгоритм для поиска ближайших соседей, передаваемый экземпляру neighbors.NearestNeighbors.

n_jobsint или None, по умолчанию=None

Количество параллельных задач. None означает 1, за исключением контекста joblib.parallel_backend. -1 означает использование всех процессоров. Смотрите Справочник для получения дополнительных сведений.

metricstr или callable, по умолчанию=”minkowski”

Метрика, используемая для расчета расстояния между экземплярами в массиве признаков. Если метрика — строка или вызываемый объект, она должна быть одним из вариантов, разрешенных sklearn.metrics.pairwise_distances для параметра метрики. Если метрика равна “precomputed”, X предполагается матрицей расстояний и должна быть квадратной. X может быть Справочник.

Добавлен в версии 0.22.

pfloat, по умолчанию=2

Параметр метрики Минковского из sklearn.metrics.pairwise.pairwise_distances. При p = 1 это эквивалентно использованию manhattan_distance (l1), а euclidean_distance (l2) — для p = 2. Для произвольного p используется minkowski_distance (l_p).

Добавлен в версии 0.22.

metric_paramsdict, по умолчанию=None

Дополнительные ключевые параметры для функции метрики.

Добавлен в версии 0.22.

Атрибуты:

embedding_array-like, форма (n_samples, n_components)

Хранит векторы вложения.

kernel_pca_объект

KernelPCA объект, используемый для реализации вложения.

nbrs_экземпляр sklearn.neighbors.NearestNeighbors

Хранит экземпляр ближайших соседей, включая BallTree или KDtree, если применимо.

dist_matrix_array-like, форма (n_samples, n_samples)

Хранит матрицу геодезических расстояний обучающих данных.

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлен в версии 0.24.

feature_names_in_массив формы (n_features_in_,)

Названия признаков, увиденные во время fit. Определены только тогда, когда у X есть имена признаков, все из которых являются строками.

Добавлен в версии 1.0.

См. также

sklearn.decomposition.PCA

Анализ главных компонент, который является линейным методом уменьшения размерности.

sklearn.decomposition.KernelPCA

Нелинейное уменьшение размерности с помощью ядер и PCA.

MDS

Обучение многообразию с использованием многомерного шкалирования.

TSNE

Вложение стохастических соседей с распределением Т.

LocallyLinearEmbedding

Обучение многообразию с использованием локального линейного вложения.

SpectralEmbedding

Спектральное вложение для нелинейной размерности.

Ссылки

[1]

Тенебаум, Дж.Б.; Де Сильва, В.; & Лэнгфорд, Дж.К. Глобальная геометрическая основа для нелинейного уменьшения размерности. Наука 290 (5500)

Примеры

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

fit(X, y=None)[source]

Вычислить векторы вложения для данных X.

Параметры:

X{array-like, sparse matrix, BallTree, KDTree, NearestNeighbors}

Данные выборки, форма = (n_samples, n_features), в виде массива numpy, разреженной матрицы, предварительно вычисленного дерева или объекта NearestNeighbors.

yИгнорируется

Не используется, присутствует для согласованности API по соглашению.

Возвращает:

selfобъект

Возвращает экземпляр self после подгонки.

fit_transform(X, y=None)[source]

Подогнать модель к данным в X и преобразовать X.

Параметры:

X{array-like, sparse matrix, BallTree, KDTree}

Вектор обучения, где n_samples — количество выборок, а n_features — количество признаков.

yИгнорируется

Не используется, присутствует для согласованности API по соглашению.

Возвращает:

X_newarray-like, форма (n_samples, n_components)

X, преобразованный в новом пространстве.

get_feature_names_out(input_features=None)[source]

Получить имена выходных признаков для преобразования.

Имена выходных признаков будут начинаться с нижнего регистра имени класса. Например, если преобразователь выводит 3 признака, то имена выходных признаков будут: ["class_name0", "class_name1", "class_name2"].

Параметры:

input_featuresмассив-подобный тип str или None, по умолчанию=None

Используется только для проверки имен признаков с именами, увиденными в fit.

Возвращает:

feature_names_outмассив объектов str

Имена преобразованных признаков.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернет параметры этого оценщика и вложенных под-объектов, которые являются оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные со значениями.

reconstruction_error()[source]

Вычислить ошибку реконструции для вложения.

Возвращает:

reconstruction_errorfloat

Ошибка реконструции.

Примечания

Функция стоимости вложения изомапы:

E = frobenius_norm[K(D) - K(D_fit)] / n_samples

Где D — матрица расстояний для входных данных X, D_fit — матрица расстояний для выходного вложения X_fit, а K — ядро изомапы:

K(D) = -0.5 * (I - 1/n_samples) * D^2 * (I - 1/n_samples)

set_output(*, transform=None)[source]

Установить контейнер вывода.

См. Введение в API set_output для примера использования API.

Параметры:

transform{“default”, “pandas”, “polars”}, по умолчанию=None

Настроить вывод transform и fit_transform.

• "default": Формат вывода преобразователя по умолчанию
• "pandas": Вывод DataFrame
• "polars": Вывод Polars
• None: Конфигурация преобразования не изменяется

Добавлен в версии 1.4: "polars" был добавлен.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[source]

Установить параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (такими как Pipeline). Последние имеют параметры вида <component>__<parameter>, чтобы было возможно обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

transform(X)[source]

Преобразовать X.

Это реализуется путем связывания точек X в граф геодезических расстояний обучающих данных. Сначала n_neighbors ближайших соседей X находятся в обучающих данных, и из них вычисляются кратчайшие геодезические расстояния от каждой точки в X до каждой точки в обучающих данных для построения ядра. Вложение X является проекцией этого ядра на векторы вложения обучающего набора.

Параметры:

X{массив-подобный тип, разреженная матрица}, форма (n_запросов, n_признаков)

Если neighbors_algorithm=’precomputed’, X предполагается матрицей расстояний или разреженным графом формы (n_запросов, n_примеров_подобранок).

Возвращает:

X_newмассив-подобный тип, форма (n_запросов, n_компонентов)

X преобразован в новом пространстве.