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)[исходный код]

Вычисляет (взвешенный) граф соседей для точек в X.

Соседство ограничивается точками, расстояние до которых меньше radius.

Подробнее см. в руководстве пользователя.

Параметры:

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

Данные выборки.

radiusfloat

Радиус окрестностей.

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

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

metricstr, default=’minkowski’

Метрика для вычисления расстояния. По умолчанию используется “minkowski”, что при p = 2 соответствует стандартному евклидову расстоянию. Допустимые значения метрики см. в документации scipy.spatial.distance и в списке метрик distance_metrics.

pfloat, default=2

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

metric_paramsdict, default=None

Дополнительные именованные аргументы для функции метрики.

include_selfbool or ‘auto’, default=False

Следует ли считать каждый образец своим первым ближайшим соседом. Если задано ‘auto’, то для mode=’connectivity’ используется True, а для mode=’distance’ — False.

n_jobsint, default=None

Количество параллельных задач для поиска соседей. None означает 1, если только не используется контекст joblib.parallel_backend. -1 означает использование всех процессоров. Подробнее см. в глоссарии.

Возвращает:

Asparse matrix of shape (n_samples, n_samples)

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

См. также

kneighbors_graph

Вычисляет взвешенный граф k ближайших 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.]])