NearestCentroid

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

Классификатор ближайшего центроида.

Каждый класс представлен своим центроидом; тестовые образцы относятся к классу с ближайшим центроидом.

Подробнее см. в руководстве пользователя.

Параметры:

metric{“euclidean”, “manhattan”}, default=”euclidean”

Метрика для вычисления расстояния.

Если metric="euclidean", центроид образцов, соответствующих каждому классу, представляет собой среднее арифметическое, которое минимизирует сумму квадратов расстояний L1. Если metric="manhattan", центроид представляет собой покомпонентную медиану признаков, которая минимизирует сумму расстояний L1.

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

Изменено в версии 0.19: metric='precomputed' объявлена устаревшей и теперь вызывает ошибку

shrink_thresholdfloat, default=None

Порог для сжатия центроидов с целью удаления признаков.

priors{“uniform”, “empirical”} or array-like of shape (n_classes,), default=”uniform”

Апостериорные вероятности классов. По умолчанию пропорции классов определяются по обучающим данным.

Добавлено в версии 1.6.

Атрибуты:

centroids_array-like of shape (n_classes, n_features)

Центроид каждого класса.

classes_array of shape (n_classes,)

Уникальные метки классов.

n_features_in_int

Количество признаков, обнаруженных во время обучения.

Добавлено в версии 0.24.

feature_names_in_ndarray of shape (n_features_in_,)

Названия признаков, обнаруженных во время обучения. Определяется, только если X содержит названия признаков, представленные строками.

Добавлено в версии 1.0.

deviations_ndarray of shape (n_classes, n_features)

Отклонения (или величины сжатия) центроидов каждого класса от общего центроида. Равны уравнению (18.4), если shrink_threshold=None, иначе (18.5), стр. 653 в [2]. Можно использовать для определения признаков, применяемых при классификации.

Добавлено в версии 1.6.

within_class_std_dev_ndarray of shape (n_features,)

Объединенное стандартное отклонение или стандартное отклонение внутри классов для входных данных.

Добавлено в версии 1.6.

class_prior_ndarray of shape (n_classes,)

Апостериорные вероятности классов.

Добавлено 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 Роккио.

Литература

[1] Tibshirani, R., Hastie, T., Narasimhan, B., & Chu, G. (2002). Диагностика нескольких типов рака с помощью сжатых центроидов экспрессии генов. Proceedings of the National Academy of Sciences of the United States of America, 99(10), 6567-6572. Национальная академия наук.

[2] Hastie, T., Tibshirani, R., Friedman, J. (2009). Элементы статистического обучения: интеллектуальный анализ 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)[исходный код]

Применить функцию принятия решения к массиву образцов.

Параметры:

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

Массив образцов (тестовых векторов).

Возвращает:

y_scoresndarray of shape (n_samples,) or (n_samples, n_classes)

Значения функции принятия решения для каждого класса и каждого образца. В случае двух классов форма массива — (n_samples,), что соответствует логарифму отношения правдоподобия положительного класса.

fit(X, y)[исходный код]

Обучить модель NearestCentroid на предоставленных обучающих данных.

Параметры:

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

Обучающий вектор, где n_samples — количество образцов, а n_features — количество признаков. Обратите внимание, что сжатие центроидов нельзя использовать с разреженными матрицами.

yarray-like of shape (n_samples,)

Целевые значения.

Возвращает:

selfobject

Обученный оцениватель.

get_metadata_routing()[исходный код]

Получить настройки маршрутизации метаданных этого объекта.

Подробнее о работе механизма маршрутизации см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[исходный код]

Получить параметры этого оценивателя.

Параметры:

deepbool, default=True

Если True, будут возвращены параметры этого оценивателя и вложенных объектов, являющихся оценивателями.

Возвращает:

paramsdict

Имена параметров и соответствующие им значения.

predict(X)[исходный код]

Выполнить классификацию массива тестовых векторов X.

Возвращаются предсказанные классы C для каждого образца в X.

Параметры:

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

Входные данные.

Возвращает:

y_predndarray of shape (n_samples,)

Предсказанные классы.

predict_log_proba(X)[исходный код]

Оценить логарифмы вероятностей классов.

Параметры:

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

Входные данные.

Возвращает:

y_log_probandarray of shape (n_samples, n_classes)

Оцененные логарифмы вероятностей.

predict_proba(X)[исходный код]

Оценить вероятности классов.

Параметры:

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

Входные данные.

Возвращает:

y_probandarray of shape (n_samples, n_classes)

Оценка вероятности каждого класса модели для образца; классы упорядочены так же, как в self.classes_.

score(X, y, sample_weight=None)[исходный код]

Вернуть точность на предоставленных данных и метках.

В многометочной классификации это точность подмножества — строгая метрика, поскольку для каждого образца требуется правильно предсказать весь набор меток.

Параметры:

Xarray-like of shape (n_samples, n_features)

Тестовые образцы.

yarray-like of shape (n_samples,) or (n_samples, n_outputs)

Истинные метки для X.

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

Веса образцов.

Возвращает:

scorefloat

Средняя точность self.predict(X) относительно y.

set_params(**params)[исходный код]

Задать параметры этого оценивателя.

Метод работает как с простыми оценивателями, так и с вложенными объектами (например, Pipeline). Параметры последних имеют вид <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценивателя.

Возвращает:

selfestimator instance

Экземпляр оценивателя.

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

Настроить, следует ли запрашивать передачу метаданных методу score.

Обратите внимание, что этот метод имеет значение только тогда, когда оцениватель используется как подоцениватель внутри метаоценивателя и включена маршрутизация метаданных с помощью enable_metadata_routing=True (см. sklearn.set_config). Подробнее о работе механизма маршрутизации см. в руководстве пользователя.

Для каждого параметра доступны следующие варианты:

• True: метаданные запрашиваются и передаются в score, если они предоставлены. Если метаданные не предоставлены, запрос игнорируется.
• False: метаданные не запрашиваются, и метаоцениватель не передает их в score.
• None: метаданные не запрашиваются, и метаоцениватель вызовет ошибку, если пользователь их предоставит.
• str: метаданные следует передавать метаоценивателю под указанным псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED) сохраняет существующий запрос. Это позволяет изменить запрос для одних параметров, не затрагивая остальные.

Добавлено в версии 1.3.

Параметры:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

Маршрутизация метаданных для параметра sample_weight в score.

Возвращает:

selfobject

Обновленный объект.

Примеры из галереи

Классификация методом ближайшего центроида

Классификация текстовых документов с использованием разреженных признаков