kneighbors_graph

sklearn.neighbors.kneighbors_graph(X, n_neighbors, *, mode='connectivity', metric='minkowski', p=2, metric_params=None, include_self=False, n_jobs=None)[исходный код]

Вычисляет (взвешенный) граф k ближайших соседей для точек в X.

Подробнее см. в руководстве пользователя.

Параметры:

X{массивоподобный объект, разреженная матрица} формы (n_samples, n_features)

Данные выборки.

n_neighborsint

Количество соседей для каждого образца.

mode{‘connectivity’, ‘distance’}, по умолчанию=’connectivity’

Тип возвращаемой матрицы: ‘connectivity’ возвращает матрицу связности, состоящую из единиц и нулей, а ‘distance’ — расстояния между соседями, вычисленные с использованием заданной метрики.

metricstr, по умолчанию=’minkowski’

Метрика для вычисления расстояния. По умолчанию используется “minkowski”, которая при p = 2 соответствует стандартному евклидову расстоянию. См. документацию scipy.spatial.distance и список метрик в distance_metrics, чтобы узнать допустимые значения метрики.

pfloat, по умолчанию=2

Параметр степени для метрики Минковского. При p = 1 это эквивалентно использованию manhattan_distance (l1), а при p = 2 — euclidean_distance (l2). Для произвольного p используется minkowski_distance (l_p). Параметр должен быть положительным.

metric_paramsdict, по умолчанию=None

Дополнительные именованные аргументы для функции метрики.

include_selfbool или ‘auto’, по умолчанию=False

Следует ли помечать каждый образец как его собственного ближайшего соседа. Если задано ‘auto’, для mode=’connectivity’ используется True, а для mode=’distance’ — False.

n_jobsint, по умолчанию=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. в глоссарии.

Возвращает:

Aразреженная матрица формы (n_samples, n_samples)

Граф, в котором A[i, j] присвоен вес ребра, соединяющего i и j. Матрица имеет формат CSR.

См. также

radius_neighbors_graph

Вычисляет (взвешенный) граф соседей для точек в X.

Примеры

>>> X = [[0], [3], [1]]
>>> from sklearn.neighbors import kneighbors_graph
>>> A = kneighbors_graph(X, 2, mode='connectivity', include_self=True)
>>> A.toarray()
array([[1., 0., 1.],
       [0., 1., 1.],
       [1., 0., 1.]])

Примеры из галереи

Сравнение различных алгоритмов кластеризации на искусственных наборах данных

Иерархическая кластеризация с учетом структуры и без нее