NearestCentroid

classsklearn.neighbors.NearestCentroid(metric='euclidean', *, shrink_threshold=None, priors='uniform')[source]

Классификатор ближайшего центра.

Каждый класс представлен своим центром, а тестовые образцы классифицируются в класс с ближайшим центром.

Подробнее см. в Руководстве пользователя.

Параметры:

metric{“euclidean”, “manhattan”}, по умолчанию=”euclidean”

Метрика, используемая для вычисления расстояния.

Если metric="euclidean", центроид для образцов, соответствующих каждому классу, является средним арифметическим, что минимизирует сумму квадратов расстояний L1. Если metric="manhattan", центроид является медианой по признакам, что минимизирует сумму расстояний L1.

Изменено в версии 1.5: Все метрики, кроме "euclidean" и "manhattan", были устаревши и теперь вызывают ошибку.

Изменено в версии 0.19: metric='precomputed' была устаревшей и теперь вызовет ошибку

shrink_thresholdfloat, по умолчанию=None

Порог для уменьшения центроидов, чтобы удалить признаки.

priors{“uniform”, “empirical”} или массив-подобный объект формы (n_classes,), по умолчанию=”uniform”

Вероятности априорных классов. По умолчанию пропорции классов выводятся из обучающих данных.

Добавлена в версии 1.6.

Атрибуты:

centroids_массив-подобный объект формы (n_classes, n_features)

Центроид каждого класса.

classes_массив формы (n_classes,)

Уникальные метки классов.

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлена в версии 0.24.

feature_names_in_массив формы (n_features_in_,)

Имена признаков, увиденные во время fit. Определены только тогда, когда X имеет имена признаков, которые все являются строками.

Добавлена в версии 1.0.

deviations_массив формы (n_classes, n_features)

Отклонения (или уменьшения) центроидов каждого класса от общего центроида. Равно (18.4), если shrink_threshold=None, иначе (18.5) стр. 653 из [2]. Может использоваться для идентификации признаков, используемых для классификации.

Добавлена в версии 1.6.

within_class_std_dev_массив формы (n_features,)

Объединённое или внутриклассовое стандартное отклонение входных данных.

Добавлена в версии 1.6.

class_prior_массив формы (n_classes,)

Вероятности априорных классов.

Добавлена в версии 1.6.

См. также

KNeighborsClassifier

Классификатор ближайших соседей.

Примечания

При использовании для классификации текста с векторами tf-idf этот классификатор также известен как классификатор Рокчио.

Ссылки

[1] Tibshirani, R., Hastie, T., Narasimhan, B., & Chu, G. (2002). Диагностика нескольких типов рака с помощью сжатых центроидов экспрессии генов. Труды Национальной академии наук США, 99(10), 6567-6572. Национальная академия наук.

[2] Hastie, T., Tibshirani, R., Friedman, J. (2009). Элементы статистического обучения Данные, добыча данных, вывод и прогнозирование. 2-е издание. Нью-Йорк, Springer.

Примеры

>>> from sklearn.neighbors import NearestCentroid
>>> import numpy as np
>>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
>>> y = np.array([1, 1, 1, 2, 2, 2])
>>> clf = NearestCentroid()
>>> clf.fit(X, y)
NearestCentroid()
>>> print(clf.predict([[-0.8, -1]]))
[1]

decision_function(X)[source]

Применить функцию принятия решения к массиву образцов.

Параметры:

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

Массив образцов (тестовые векторы).

Возвращает:

y_scoresмассив формы (n_samples,) или (n_samples, n_classes)

Значения функции принятия решения, относящиеся к каждому классу, по образцу. В случае двух классов форма — (n_samples,), давая отношение логарифмов правдоподобия положительного класса.

fit(X, y)[source]

Обучить модель NearestCentroid по заданным обучающим данным.

Параметры:

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

Вектор обучения, где n_samples — количество образцов, а n_features — количество признаков. Обратите внимание, что уменьшение центроида не может быть использовано с разреженными матрицами.

yarray-like формы (n_samples,)

Целевые значения.

Возвращает:

selfobject

Обученный оценщик.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, ознакомьтесь с Руководством пользователя о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest инкапсулирующий информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры для этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернет параметры для этого оценщика и содержащихся в нем дочерних объектов, которые являются оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные со своими значениями.

predict(X)[source]

Выполнить классификацию на массиве тестовых векторов X.

Предсказанный класс C для каждого образца в X возвращается.

Параметры:

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

Входные данные.

Возвращает:

y_predмассив формы (n_samples,)

Предсказанные классы.

predict_log_proba(X)[source]

Оценить логарифмы вероятностей классов.

Параметры:

X{array-like, разреженная матрица} формы (n_samples, n_features)

Входные данные.

Возвращаемые значения:

y_log_probaмассив формы (n_samples, n_classes)

Оцененные логарифмы вероятностей.

predict_proba(X)[source]

Оценить вероятности классов.

Параметры:

X{array-like, разреженная матрица} формы (n_samples, n_features)

Входные данные.

Возвращаемые значения:

y_probaмассив формы (n_samples, n_classes)

Вероятностная оценка выборки для каждого класса в модели, где классы упорядочены так, как они указаны в self.classes_.

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

Возвращает среднюю точность на заданных тестовых данных и метках.

В многоклассовой классификации это точность подмножества, что является жёстким метрическим показателем, поскольку для каждой выборки требуется, чтобы каждый набор меток был предсказан верно.

Параметры:

Xarray-like формы (n_samples, n_features)

Тестовые выборки.

yarray-like формы (n_samples,) или (n_samples, n_outputs)

Истинные метки для X.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса выборок.

Возвращаемые значения:

scorefloat

Средняя точность self.predict(X) относительно y.

set_params(**params)[source]

Установить параметры данного оценщика.

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

Параметры:

**paramsdict

Параметры оценщика.

Возвращаемые значения:

selfэкземпляр оценщика

Экземпляр оценщика.

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

Запрос метаданных, переданных методу score.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). Пожалуйста, обратитесь к Руководству пользователя, чтобы узнать, как работает механизм маршрутизации.

Варианты для каждого параметра:

• True: метаданные запрашиваются и передаются score при наличии. Запрос игнорируется, если метаданные не предоставлены.
• False: метаданные не запрашиваются и мета-оценщик не передаст их score.
• None: метаданные не запрашиваются, и мета-оценщик выдаст ошибку, если пользователь предоставит их.
• str: метаданные должны передаваться мета-оценщику с этим псевдонимом вместо оригинального названия.

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

Добавлена в версии 1.3.

Примечание

Этот метод актуален только если этот оценщик используется как под-оценщик мета-оценщика, например, внутри Pipeline. В противном случае он не оказывает никакого влияния.

Параметры:

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

Маршрутизация метаданных для параметра sample_weight в score.

Возвращаемые значения:

selfобъект

Обновленный объект.

Примеры галереи

Классификация с помощью ближайшего центра

Классификация текстовых документов с использованием разреженных признаков