locally_linear_embedding

sklearn.manifold.locally_linear_embedding(X, *, n_neighbors, n_components, reg=0.001, eigen_solver='auto', tol=1e-06, max_iter=100, method='standard', hessian_tol=0.0001, modified_tol=1e-12, random_state=None, n_jobs=None)[исходный код]

Выполняет анализ методом локально-линейного вложения данных.

Подробнее см. в руководстве пользователя.

Параметры:

X{array-like, NearestNeighbors}

Выборочные данные, форма = (n_samples, n_features), в виде массива numpy или объекта NearestNeighbors.

n_neighborsint

Количество соседей, учитываемых для каждой точки.

n_componentsint

Количество координат многообразия.

regfloat, default=1e-3

Константа регуляризации, умножаемая на след локальной ковариационной матрицы расстояний.

eigen_solver{‘auto’, ‘arpack’, ‘dense’}, default=’auto’

auto : алгоритм попытается выбрать наилучший метод для входных данных

arpackиспользовать итерации Арнольди в режиме сдвига-инверсии.

Для этого метода M может быть плотной матрицей, разреженной матрицей или общим линейным оператором. Предупреждение: ARPACK может быть нестабильным для некоторых задач. Рекомендуется попробовать несколько случайных начальных значений, чтобы проверить результаты.

denseиспользовать стандартные операции с плотными матрицами для разложения

собственных значений. Для этого метода M должен иметь тип массива или матрицы. Этого метода следует избегать для больших задач.

tolfloat, default=1e-6

Допуск для метода ‘arpack’. Не используется, если eigen_solver==’dense’.

max_iterint, default=100

Максимальное количество итераций для решателя arpack.

method{‘standard’, ‘hessian’, ‘modified’, ‘ltsa’}, default=’standard’

standardиспользовать стандартный алгоритм локально-линейного вложения.

см. источник [1]

hessianиспользовать метод собственных отображений Гессиана. Для этого метода требуется

n_neighbors > n_components * (1 + (n_components + 1) / 2. см. источник [2]

modifiedиспользовать модифицированный алгоритм локально-линейного вложения.

см. источник [3]

ltsaиспользовать алгоритм выравнивания локальных касательных пространств

см. источник [4]

hessian_tolfloat, default=1e-4

Допуск для метода собственных отображений Гессиана. Используется только при method == ‘hessian’.

modified_tolfloat, default=1e-12

Допуск для модифицированного метода LLE. Используется только при method == ‘modified’.

random_stateint, RandomState instance, default=None

Определяет генератор случайных чисел, когда solver == ‘arpack’. Передайте целое число, чтобы получать воспроизводимые результаты при нескольких вызовах функции. См. глоссарий.

n_jobsint or None, default=None

Количество параллельных заданий для поиска соседей. None означает 1, если только не используется контекст joblib.parallel_backend. -1 означает использование всех процессоров. Подробнее см. глоссарий.

Возвращает:

Yndarray of shape (n_samples, n_components)

Векторы вложения.

squared_errorfloat

Ошибка реконструкции векторов вложения. Эквивалентна norm(Y - W Y, 'fro')**2, где W — веса реконструкции.

Литература

[1]

Roweis, S. & Saul, L. Нелинейное снижение размерности методом локально-линейного вложения. Science 290:2323 (2000).

[2]

Donoho, D. & Grimes, C. Собственные отображения Гессиана: методы локально-линейного вложения для данных высокой размерности. Proc Natl Acad Sci U S A. 100:5591 (2003).

[3]

Zhang, Z. & Wang, J. MLLE: модифицированное локально-линейное вложение с использованием нескольких весов.

[4]

Zhang, Z. & Zha, H. Главные многообразия и нелинейное снижение размерности посредством выравнивания касательных пространств. Journal of Shanghai Univ. 8:406 (2004)

Примеры

>>> from sklearn.datasets import load_digits
>>> from sklearn.manifold import locally_linear_embedding
>>> X, _ = load_digits(return_X_y=True)
>>> X.shape
(1797, 64)
>>> embedding, _ = locally_linear_embedding(X[:100],n_neighbors=5, n_components=2)
>>> embedding.shape
(100, 2)

Примеры в галерее

Снижение размерности швейцарского рулета и рулета с отверстием