Плотность ядра

классsklearn.neighbors.KernelDensity(*, bandwidth=1.0, algorithm='auto', kernel='gaussian', metric='euclidean', atol=0, rtol=0, breadth_first=True, leaf_size=40, metric_params=None)[source]

Оценивание плотности ядра.

Подробнее см. в Руководстве пользователя.

Параметры:

bandwidthfloat или {“scott”, “silverman”}, по умолчанию=1.0

Ширина ядра. Если bandwidth — это число с плавающей точкой, оно определяет ширину ядра. Если bandwidth — это строка, реализован один из методов оценки.

algorithm{‘kd_tree’, ‘ball_tree’, ‘auto’}, по умолчанию=’auto’

Алгоритм дерева.

kernel{‘gaussian’, ‘tophat’, ‘epanechnikov’, ‘exponential’, ‘linear’, ‘cosine’}, по умолчанию=’gaussian’

Ядро для использования.

metricstr, по умолчанию=’euclidean’

Метрика для вычисления расстояния. См. документацию scipy.spatial.distance и метрики в distance_metrics для допустимых значений метрики.

Не все метрики допустимы со всеми алгоритмами: см. документацию BallTree и KDTree. Обратите внимание, что нормализация выходной плотности верна только для метрики евклидова расстояния.

atolfloat, по умолчанию=0

Желаемая абсолютная погрешность результата. Большая погрешность обычно приводит к более быстрому выполнению.

rtolfloat, по умолчанию=0

Желаемая относительная погрешность результата. Большая погрешность обычно приводит к более быстрому выполнению.

breadth_firstbool, по умолчанию=True

Если True (по умолчанию), используйте подход по ширине к задаче. В противном случае используйте подход по глубине.

leaf_sizeint, по умолчанию=40

Укажите размер листа базового дерева. См. BallTree или KDTree для подробностей.

metric_paramsdict, по умолчанию=None

Дополнительные параметры, которые должны быть переданы дереву для использования с метрикой. Для получения дополнительной информации см. документацию BallTree или KDTree.

Атрибуты:

n_features_in_int

Количество признаков, увиденных во время подгонки.

Добавлена в версии 0.24.

tree_BinaryTree instance

Алгоритм дерева для быстрых обобщённых задач с N точками.

feature_names_in_ndarray of shape (n_features_in_,)

Имена признаков, увиденные во время подгонки. Определяются только тогда, когда X имеют имена признаков, все из которых являются строками.

bandwidth_float

Значение bandwidth, заданное напрямую параметром bandwidth или оценённое с помощью метода ‘scott’ или ‘silverman’.

Добавлена в версии 1.0.

См. также

sklearn.neighbors.KDTree

Дерево k-мер для быстрых обобщённых задач с N точками.

sklearn.neighbors.BallTree

Дерево шаров для быстрых обобщённых задач с N точками.

Примеры

Вычислите оценку плотности ядра Гаусса с фиксированной шириной.

>>> from sklearn.neighbors import KernelDensity
>>> import numpy as np
>>> rng = np.random.RandomState(42)
>>> X = rng.random_sample((100, 3))
>>> kde = KernelDensity(kernel='gaussian', bandwidth=0.5).fit(X)
>>> log_density = kde.score_samples(X[:3])
>>> log_density
array([-1.52955942, -1.51462041, -1.60244657])

fit(X, y=None, sample_weight=None)[source]

Обучите модель плотности ядра на данных.

Параметры:

Xarray-like of shape (n_samples, n_features)

Список точек данных размерности n_features. Каждая строка соответствует одной точке данных.

yNone

Игнорируется. Этот параметр существует только для совместимости с Pipeline.

sample_weightarray-like of shape (n_samples,), default=None

Список весов образцов, связанных с данными X.

Добавлена в версии 0.20.

Возвращает:

selfobject

Возвращает сам экземпляр.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

Проверьте Руководство пользователя по тому, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest encapsulating routing information.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернёт параметры этого оценщика и вложенных подобъектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров сопоставлены со значениями.

sample(n_samples=1, random_state=None)[source]

Генерировать случайные выборки из модели.

В настоящее время это реализовано только для ядер Гаусса и топхэт.

Параметры:

n_samplesint, по умолчанию=1

Количество выборок для генерации.

random_stateint, RandomState instance or None, default=None

Определяет генерацию псевдослучайных чисел, используемых для генерации случайных выборок. Передайте целое число для воспроизводимых результатов при многократном вызове функции. См. Глоссарий.

Возвращает:

Xarray-like of shape (n_samples, n_features)

Список выборок.

score(X, y=None)[source]

Вычислить полную логарифмическую вероятность по модели.

Параметры:

Xмассив-подобный, форма (n_samples, n_features)

Список точек данных размерности n_features. Каждая строка соответствует одной точке данных.

yNone

Игнорируется. Этот параметр существует только для совместимости с Pipeline.

Возвращает:

logprobfloat

Полная логарифмическая вероятность данных в X. Она нормализована для получения плотности вероятности, поэтому значение будет низким для многомерных данных.

score_samples(X)[source]

Вычислить логарифмическую вероятность каждого образца по модели.

Параметры:

Xмассив-подобный, форма (n_samples, n_features)

Массив точек для запроса. Последнее измерение должно соответствовать размерности обучающих данных (n_features).

Возвращает:

densityмассив NumPy, форма (n_samples,)

Логарифмическая вероятность каждого образца в X. Они нормализованы для получения плотностей вероятности, поэтому значения будут низкими для многомерных данных.

set_fit_request(*, sample_weight:bool|None|str='$UNCHANGED$') → KernelDensity[source]

Запрос метаданных, переданных в метод fit.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, обратитесь к руководству пользователя User Guide для получения информации о работе механизма маршрутизации.

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются в fit при наличии. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются, и мета-оценщик не передаст их в fit.
• None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь их предоставит.
• str: метаданные должны быть переданы мета-оценщику под этим псевдонимом вместо исходного имени.

По умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняется существующий запрос. Это позволяет изменить запрос для некоторых параметров, а не для других.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только если данный оценщик используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не имеет эффекта.

Параметры:

sample_weightстрока, True, False или None, по умолчанию sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра sample_weight в fit.

Возвращает:

selfобъект

Обновлённый объект.

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 в формате <component>__<parameter> для возможности обновления каждого компонента вложенного объекта.

Параметры:

**paramsсловарь

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

Примеры из галереи

Оценка плотности ядра распределения видов

Оценка плотности ядра

Простая оценка плотности ядра в 1D