LocallyLinearEmbedding

classsklearn.manifold.LocallyLinearEmbedding(*, n_neighbors=5, n_components=2, reg=0.001, eigen_solver='auto', tol=1e-06, max_iter=100, method='standard', hessian_tol=0.0001, modified_tol=1e-12, neighbors_algorithm='auto', random_state=None, n_jobs=None)[source]

Вложение с локальным линейным вложением.

Дополнительная информация в Руководстве пользователя.

Параметры:

n_neighborsint, по умолчанию=5

Количество соседей для рассмотрения для каждой точки.

n_componentsint, по умолчанию=2

Количество координат для многообразия.

regfloat, по умолчанию=1e-3

Постоянная регуляризации, умножает след локальной ковариационной матрицы расстояний.

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

Используемый решатель для вычисления собственных векторов. Доступные варианты:

• 'auto' : алгоритм попытается выбрать лучший метод для входных данных.
• 'arpack' : использовать итерацию Арнольди в режиме сдвига-инверсии. Для этого метода M может быть плотной матрицей, разреженной матрицей или общим линейным оператором.
• 'dense' : использовать стандартные операции с плотной матрицей для вычисления собственных значений. Для этого метода M должен быть массивом или матрицей. Этот метод следует избегать для больших задач.

Предупреждение

ARPACK может быть неустойчивым для некоторых задач. Лучше всего попробовать несколько случайных семян, чтобы проверить результаты.

tolfloat, по умолчанию=1e-6

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

max_iterint, по умолчанию=100

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

method{‘standard’, ‘hessian’, ‘modified’, ‘ltsa’}, по умолчанию=’standard’

• standard: использовать стандартный алгоритм локального линейного вложения. см. ссылку [1]
• hessian: использовать метод собственных значений Гессе. Этот метод требует n_neighbors > n_components * (1 + (n_components + 1) / 2. см. ссылку [2]
• modified: использовать модифицированный алгоритм локального линейного вложения. см. ссылку [3]
• ltsa: использовать алгоритм выравнивания локального тангенсного пространства. см. ссылку [4]

hessian_tolfloat, по умолчанию=1e-4

Погрешность для метода собственных значений Гессе. Используется только если method == 'hessian'.

modified_tolfloat, по умолчанию=1e-12

Погрешность для модифицированного метода LLE. Используется только если method == 'modified'.

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

Алгоритм для поиска ближайших соседей, передаваемый экземпляру NearestNeighbors.

random_stateint, RandomState instance, по умолчанию=None

Определяет генератор случайных чисел, когда eigen_solver == ‘arpack’. Передайте целое число для воспроизводимых результатов при нескольких вызовах функций. См. Словарь.

n_jobsint или None, по умолчанию=None

Число параллельных задач. None означает 1, за исключением контекста joblib.parallel_backend. -1 означает использование всех процессоров. См. Словарь для получения дополнительной информации.

Атрибуты:

embedding_array-like, форма [n_samples, n_components]

Хранит векторы вложения

reconstruction_error_float

Ошибка реконструкции, связанная с embedding_

n_features_in_int

Количество признаков, наблюдаемых во время fit.

Добавлен в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, наблюдаемые во время fit. Определяются только тогда, когда X имеет имена признаков, все из которых являются строками.

Добавлен в версии 1.0.

nbrs_NearestNeighbors объект

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

См. также

SpectralEmbedding

Спектральное вложение для нелинейного уменьшения размерности.

TSNE

Распределенное стохастическое вложение соседей.

Ссылки

[1]

Roweis, S. & Saul, L. Нелинейное уменьшение размерности с помощью локального линейного вложения. Science 290:2323 (2000).

[2]

Donoho, D. & Grimes, C. Собственные значения Гессе: техники локального линейного вложения для высокомерных данных. Proc Natl Acad Sci U S A. 100:5591 (2003).

[3]

Zhang, Z. & Wang, J. MLLE: Модифицированное локальное линейное вложение с использованием нескольких весов.

[4]

Zhang, Z. & Zha, H. Основные многообразия и нелинейное уменьшение размерности через выравнивание тангенсного пространства. Журнал Шанхайского университета. 8:406 (2004)

Примеры

>>> from sklearn.datasets import load_digits
>>> from sklearn.manifold import LocallyLinearEmbedding
>>> X, _ = load_digits(return_X_y=True)
>>> X.shape
(1797, 64)
>>> embedding = LocallyLinearEmbedding(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:

Xarray-like формы (n_samples, n_features)

Набор для обучения.

yИгнорируется

Не используется, присутствует здесь для согласованности API по соглашению.

Возвращает:

selfобъект

Экземпляр класса LocallyLinearEmbedding с выполненной подгонкой.

fit_transform(X, y=None)[source]

Вычислить векторы вложения для данных X и преобразовать X.

Параметры:

Xarray-like формы (n_samples, n_features)

Набор для обучения.

yИгнорируется

Не используется, присутствует здесь для согласованности API по соглашению.

Возвращает:

X_newarray-like, форма (n_samples, n_components)

Возвращает сам экземпляр.

get_feature_names_out(input_features=None)[source]

Получение имён выходных признаков для преобразования.

Имена выходных признаков будут начинаться с имени класса в нижнем регистре. 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 имён признаков с именами, увиденными в fit.

Возвращает:

feature_names_outмассив объектов str

Имена преобразованных признаков.

get_metadata_routing()[source]

Получение маршрутизации метаданных для данного объекта.

Пожалуйста, ознакомьтесь с Руководством пользователя по тому, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest объект, инкапсулирующий информацию о маршрутизации.

get_params(deep=True)[source]

Получение параметров данного оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернёт параметры данного оценщика и вложенных под-объектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные со значениями.

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

Настройка вывода transform и fit_transform.

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

Добавлен в версии 1.4: "polars" опция была добавлена.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[source]

Установить параметры данного оценщика.

Метод работает с простыми оценщиками, а также с вложенными объектами (такими как Pipeline). Последние имеют параметры в формате <component>__<parameter>, чтобы можно было обновить каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

transform(X)[source]

Преобразование новых точек в пространство вложения.

Параметры:

Xмассив-подобный тип данных (n_samples, n_features)

Набор для обучения.

Возвращает:

X_newмассив-подобный тип данных (n_samples, n_components)

Возвращает сам экземпляр.

Примечания

Из-за масштабирования, выполняемого этим методом, не рекомендуется использовать его вместе с методами, которые не инвариантны к масштабу (такими как SVM).

Примеры из галереи

Визуализация структуры фондового рынка

Сравнение методов обучения на многообразиях

Методы обучения на многообразиях на обрезанной сфере

Обучение на многообразиях рукописных цифр: Локально-линейное вложение, Isomap…