radius_neighbors_graph

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

Вычисление (взвешенного) графа соседей для точек в X.

Соседства ограничены точками на расстоянии, меньшем радиуса.

Подробнее см. в Руководстве пользователя.

Параметры:

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

Данные образцов.

radiusfloat

Радиус соседств.

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

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

metricstr, по умолчанию=’minkowski’

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

pfloat, по умолчанию=2

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

metric_paramsdict, по умолчанию=None

Дополнительные ключевые аргументы для функции метрики.

include_selfbool или ‘auto’, по умолчанию=False

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

n_jobsint, по умолчанию=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 дополнительных сведений.

Возвращает:

Aразреженная матрица формы (n_samples, n_samples)

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

См. также

kneighbors_graph

Вычисление взвешенного графа k-соседей для точек в X.

Примеры

>>> X = [[0], [3], [1]]
>>> from sklearn.neighbors import radius_neighbors_graph
>>> A = radius_neighbors_graph(X, 1.5, mode='connectivity',
...                            include_self=True)
>>> A.toarray()
array([[1., 0., 1.],
       [0., 1., 0.],
       [1., 0., 1.]])