RadiusNeighborsRegressor

classsklearn.neighbors.RadiusNeighborsRegressor(radius=1.0, *, weights='uniform', algorithm='auto', leaf_size=30, p=2, metric='minkowski', metric_params=None, n_jobs=None)[исходный код]

Регрессия на основе соседей в пределах фиксированного радиуса.

Целевое значение предсказывается посредством локальной интерполяции целевых значений, связанных с ближайшими соседями в обучающем наборе.

Подробнее см. в руководстве пользователя.

Добавлено в версии 0.9.

Параметры:

radiusfloat, default=1.0

Радиус пространства параметров, используемый по умолчанию для запросов radius_neighbors.

weights{‘uniform’, ‘distance’}, callable or None, default=’uniform’

Функция весов, используемая при предсказании. Возможные значения:

• ‘uniform’ : одинаковые веса. Всем точкам в каждом соседстве назначаются равные веса.
• ‘distance’ : вес точек обратно пропорционален их расстоянию. В этом случае более близкие к точке запроса соседи будут иметь большее влияние, чем находящиеся дальше.
• [callable] : функция, определяемая пользователем, которая принимает массив расстояний и возвращает массив той же формы, содержащий веса.

По умолчанию используются одинаковые веса.

algorithm{‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’}, default=’auto’

Алгоритм, используемый для поиска ближайших соседей:

• ‘ball_tree’ использует BallTree
• ‘kd_tree’ использует KDTree
• ‘brute’ использует полный перебор.
• ‘auto’ пытается выбрать наиболее подходящий алгоритм на основе значений, переданных методу fit.

Примечание: при обучении на разреженных входных данных значение этого параметра переопределяется, и используется полный перебор.

leaf_sizeint, default=30

Размер листа, передаваемый в BallTree или KDTree. Он может влиять на скорость построения дерева и выполнения запросов, а также на объем памяти, необходимый для хранения дерева. Оптимальное значение зависит от особенностей задачи.

pfloat, default=2

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

metricstr or callable, default=’minkowski’

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

Если metric равен “precomputed”, предполагается, что X — это матрица расстояний; во время обучения она должна быть квадратной. X может быть разреженным графом, в этом случае соседями могут считаться только элементы, отличные от нуля.

Если metric — вызываемая функция, она принимает на вход два массива, представляющих одномерные векторы, и должна возвращать одно значение, указывающее расстояние между этими векторами. Это работает с метриками SciPy, но менее эффективно, чем передача названия метрики в виде строки.

metric_paramsdict, default=None

Дополнительные именованные аргументы для функции метрики.

n_jobsint, default=None

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

Атрибуты:

effective_metric_str or callable

Используемая метрика расстояния. Она совпадает с параметром metric или является его синонимом, например ‘euclidean’, если для параметра metric задано значение ‘minkowski’, а для параметра p — значение 2.

effective_metric_params_dict

Дополнительные именованные аргументы для функции метрики. Для большинства метрик они совпадают с параметром metric_params, но также могут содержать значение параметра p, если атрибут effective_metric_ имеет значение ‘minkowski’.

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 в том случае, если X содержит названия признаков, представленные строками.

Добавлено в версии 1.0.

n_samples_fit_int

Количество образцов в обучающих данных.

См. также

NearestNeighbors

Обучающая модель без учителя для реализации поиска соседей.

KNeighborsRegressor

Регрессия на основе k ближайших соседей.

KNeighborsClassifier

Классификатор на основе k ближайших соседей.

RadiusNeighborsClassifier

Классификатор на основе соседей в пределах заданного радиуса.

Примечания

Обсуждение выбора algorithm и leaf_size см. в разделе «Ближайшие соседи» онлайн-документации.

https://en.wikipedia.org/wiki/K-nearest_neighbor_algorithm

Примеры

>>> X = [[0], [1], [2], [3]]
>>> y = [0, 0, 1, 1]
>>> from sklearn.neighbors import RadiusNeighborsRegressor
>>> neigh = RadiusNeighborsRegressor(radius=1.0)
>>> neigh.fit(X, y)
RadiusNeighborsRegressor(...)
>>> print(neigh.predict([[1.5]]))
[0.5]

fit(X, y)[исходный код]

Обучает регрессор по соседям в пределах радиуса на обучающем наборе данных.

Параметры:

X{array-like, sparse matrix} of shape (n_samples, n_features) or (n_samples, n_samples) if metric=’precomputed’

Обучающие данные.

y{array-like, sparse matrix} of shape (n_samples,) or (n_samples, n_outputs)

Целевые значения.

Возвращает:

selfRadiusNeighborsRegressor

Обученный регрессор по соседям в пределах радиуса.

get_metadata_routing()[исходный код]

Получает настройки маршрутизации метаданных этого объекта.

О том, как работает механизм маршрутизации, см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий сведения о маршрутизации.

get_params(deep=True)[исходный код]

Получает параметры этого оценивателя.

Параметры:

deepbool, default=True

Если True, возвращает параметры этого оценивателя и содержащихся в нем подобъектов, которые являются оценивателями.

Возвращает:

paramsdict

Имена параметров и соответствующие им значения.

predict(X)[исходный код]

Предсказывает целевое значение для предоставленных данных.

Параметры:

X{array-like, sparse matrix} of shape (n_queries, n_features), or (n_queries, n_indexed) if metric == ‘precomputed’, or None

Тестовые образцы. Если None, возвращаются предсказания для всех индексированных точек; в этом случае точки не считаются соседями самих себя.

Возвращает:

yndarray of shape (n_queries,) or (n_queries, n_outputs), dtype=double

Целевые значения.

radius_neighbors(X=None, radius=None, return_distance=True, sort_results=False)[исходный код]

Находит соседей точки или точек в пределах заданного радиуса.

Возвращает индексы и расстояния до каждой точки из набора данных, лежащей в шаре размера radius вокруг точек массива запросов. Точки на границе включаются в результаты.

Точки в результатах не обязательно отсортированы по расстоянию до соответствующей точки запроса.

Параметры:

X{array-like, sparse matrix} of (n_samples, n_features), default=None

Точка или точки запроса. Если не указаны, возвращаются соседи каждой индексированной точки. В этом случае точка запроса не считается своим собственным соседом.

radiusfloat, default=None

Ограничивающее расстояние для возвращаемых соседей. По умолчанию используется значение, переданное конструктору.

return_distancebool, default=True

Возвращать ли расстояния.

sort_resultsbool, default=False

Если True, расстояния и индексы перед возвратом сортируются по возрастанию расстояния. Если False, результаты могут быть не отсортированы. Если return_distance=False, установка sort_results=True приведет к ошибке.

Добавлено в версии 0.22.

Возвращает:

neigh_distndarray of shape (n_samples,) of arrays

Массив с расстояниями до каждой точки; присутствует только если return_distance=True. Значения расстояний вычисляются в соответствии с параметром конструктора metric.

neigh_indndarray of shape (n_samples,) of arrays

Массив массивов с индексами приблизительно ближайших точек из матрицы объектов, лежащих в шаре размера radius вокруг точек запроса.

Примечания

Поскольку число соседей у каждой точки может быть разным, результаты для нескольких точек запроса нельзя поместить в стандартный массив данных. Для повышения эффективности radius_neighbors возвращает массивы объектов, каждый из которых является одномерным массивом индексов или расстояний.

Примеры

В следующем примере мы создаем класс NeighborsClassifier из массива, представляющего наш набор данных, и спрашиваем, какая точка ближе всего к [1, 1, 1]:

>>> import numpy as np
>>> samples = [[0., 0., 0.], [0., .5, 0.], [1., 1., .5]]
>>> from sklearn.neighbors import NearestNeighbors
>>> neigh = NearestNeighbors(radius=1.6)
>>> neigh.fit(samples)
NearestNeighbors(radius=1.6)
>>> rng = neigh.radius_neighbors([[1., 1., 1.]])
>>> print(np.asarray(rng[0][0]))
[1.5 0.5]
>>> print(np.asarray(rng[1][0]))
[1 2]

Первый возвращенный массив содержит расстояния до всех точек, находящихся ближе чем на 1.6, а второй возвращенный массив содержит их индексы. Как правило, запросы можно одновременно выполнять для нескольких точек.

radius_neighbors_graph(X=None, radius=None, mode='connectivity', sort_results=False)[исходный код]

Вычисляет (взвешенный) граф соседей для точек X.

Соседство ограничивается точками, находящимися на расстоянии меньше радиуса.

Параметры:

X{array-like, sparse matrix} of shape (n_samples, n_features), default=None

Точка или точки запроса. Если не указаны, возвращаются соседи каждой индексированной точки. В этом случае точка запроса не считается своим собственным соседом.

radiusfloat, default=None

Радиус соседства. По умолчанию используется значение, переданное конструктору.

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

Тип возвращаемой матрицы: ‘connectivity’ возвращает матрицу связности с единицами и нулями; в режиме ‘distance’ ребрами являются расстояния между точками, тип расстояния зависит от выбранного параметра метрики в классе NearestNeighbors.

sort_resultsbool, default=False

Если True, ненулевые элементы в каждой строке результата сортируются по возрастанию расстояния. Если False, ненулевые элементы могут быть не отсортированы. Используется только с mode=’distance’.

Добавлено в версии 0.22.

Возвращает:

Asparse-matrix of shape (n_queries, n_samples_fit)

n_samples_fit — это количество образцов в обучающих данных. A[i, j] задает вес ребра, соединяющего i с j. Матрица имеет формат CSR.

См. также

kneighbors_graph

Вычисляет (взвешенный) граф k соседей для точек X.

Примеры

>>> X = [[0], [3], [1]]
>>> from sklearn.neighbors import NearestNeighbors
>>> neigh = NearestNeighbors(radius=1.5)
>>> neigh.fit(X)
NearestNeighbors(radius=1.5)
>>> A = neigh.radius_neighbors_graph(X)
>>> A.toarray()
array([[1., 0., 1.],
       [0., 1., 0.],
       [1., 0., 1.]])

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

Возвращает коэффициент детерминации на тестовых данных.

Коэффициент детерминации \(R^2\) определяется как \((1 - \frac{u}{v})\), где \(u\) — сумма квадратов остатков ((y_true - y_pred)** 2).sum(), а \(v\) — общая сумма квадратов ((y_true - y_true.mean()) ** 2).sum(). Наилучшее возможное значение оценки — 1.0; она может быть отрицательной (поскольку модель может работать сколь угодно хуже). Постоянная модель, всегда предсказывающая ожидаемое значение y без учета входных признаков, получила бы оценку \(R^2\), равную 0.0.

Параметры:

Xarray-like of shape (n_samples, n_features)

Тестовые образцы. Для некоторых оценивателей это может быть заранее вычисленная матрица ядра или список произвольных объектов с формой (n_samples, n_samples_fitted), где n_samples_fitted — количество образцов, использованных при обучении оценивателя.

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

Истинные значения для X.

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

Веса образцов.

Возвращает:

scorefloat

Значение \(R^2\) для self.predict(X) относительно y.

Примечания

При вызове score для регрессора используется оценка \(R^2\), которая с версии 0.23 применяет multioutput='uniform_average' для согласования со значением по умолчанию функции r2_score. Это влияет на метод score всех регрессоров с несколькими выходами (за исключением MultiOutputRegressor).

set_params(**params)[исходный код]

Задает параметры этого оценивателя.

Метод работает как с простыми оценивателями, так и со 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='$UNCHANGED$') → RadiusNeighborsRegressor[исходный код]

Настраивает, следует ли запрашивать передачу метаданных методу score.

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

Для каждого параметра доступны следующие варианты:

• True: метаданные запрашиваются и передаются в score, если они предоставлены. Запрос игнорируется, если метаданные не предоставлены.
• 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 должны передаваться метаоценивателю под указанным псевдонимом вместо исходного имени.

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

Добавлено в версии 1.3.

Параметры:

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

Настройка маршрутизации метаданных для параметра sample_weight в score.

Возвращает:

selfobject

Обновленный объект.