kneighbors_graph

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

Вычисление графа (взвешенного) k-соседей для точек в X.

Подробнее см. в Руководстве пользователя.

Параметры:

X{array-like, sparse matrix} of shape (n_samples, n_features)

Данные выборки.

n_neighborsint

Количество соседей для каждой выборки.

mode{‘connectivity’, ‘distance’}, default=’connectivity’

Тип возвращаемой матрицы: ‘connectivity’ вернёт матрицу связности с единицами и нулями, а ‘distance’ вернёт расстояния между соседями в соответствии с заданным метрикой.

metricstr, default=’minkowski’

Метрика для вычисления расстояний. По умолчанию «minkowski», что приводит к стандартному евклидовому расстоянию, когда p = 2. См. документацию scipy.spatial.distance и метрики в distance_metrics для допустимых значений метрик.

pfloat, default=2

Параметр степени для метрики Минковского. Когда p = 1, это эквивалентно использованию manhattan_distance (l1), и euclidean_distance (l2) для p = 2. Для произвольного p используется minkowski_distance (l_p). Ожидается, что этот параметр будет положительным.

metric_paramsdict, default=None

Дополнительные ключевые аргументы для функции метрики.

include_selfbool or ‘auto’, default=False

Включать ли каждый образец в качестве первого ближайшего соседа к себе. Если ‘auto’, то True используется для mode=’connectivity’, а False для mode=’distance’.

n_jobsint, default=None

Количество параллельных задач для поиска соседей. None означает 1, за исключением контекста joblib.parallel_backend. -1 означает использование всех процессоров. См. Глоссарий для получения дополнительной информации.

Возвращаемое значение:

Asparse matrix of shape (n_samples, n_samples)

Граф, где A[i, j] присваивается весу ребра, соединяющего i с j. Матрица в формате CSR.

См. также

radius_neighbors_graph

Вычисление графа (взвешенного) 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 галереи

Агломеративная кластеризация со структурой и без неё

Сравнение различных алгоритмов кластеризации на наборах данных-игрушках

Иерархическая кластеризация: структурированная против неструктурированной кластеризации Уорда