RadiusNeighborsRegressor

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

Регрессия на основе ближайших соседей в фиксированном радиусе.

Значение целевой переменной предсказывается с помощью локальной интерполяции значений целевой переменной, связанных с ближайшими соседями в обучающей выборке.

Подробнее см. в Руководстве пользователя.

Добавлен в версии 0.9.

Параметры:

radiusfloat, default=1.0

Диапазон 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’ : равномерные веса. Все точки в каждом окрестности имеют одинаковый вес.
• ‘distance’ : вес точек обратно пропорционален их расстоянию. В этом случае, более близкие соседи точки запроса имеют большее влияние, чем соседи, которые находятся дальше.
• [callable] : пользовательская функция, которая принимает массив расстояний и возвращает массив той же формы, содержащий веса.

По умолчанию используются равномерные веса.

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

Алгоритм, используемый для вычисления ближайших соседей:

• ‘ball_tree’ будет использовать BallTree
• ‘kd_tree’ будет использовать KDTree
• ‘brute’ будет использовать поиск методом грубой силы.
• ‘auto’ попытается определить наиболее подходящий алгоритм на основе значений, переданных методу fit.

Примечание: обучение на разреженных данных переопределит значение этого параметра, используя поиск методом грубой силы.

leaf_sizeint, default=30

Размер листа, передаваемый в BallTree или KDTree. Это может повлиять на скорость построения и запроса, а также на требуемую память для хранения дерева. Оптимальное значение зависит от характера задачи.

pfloat, default=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).

metricstr or callable, default=’minkowski’

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

Если metric равно “precomputed”, X предполагается матрицей расстояний и должна быть квадратной во время подгонки. X может быть разреженным графом, в этом случае только «ненулевые» элементы могут рассматриваться как соседи.

Если metric является вызываемой функцией, она принимает два массива, представляющих одномерные векторы, в качестве входных данных и должна возвращать одно значение, указывающее расстояние между этими векторами. Это работает для метрик Scipy, но менее эффективно, чем передача имени метрики в виде строки.

metric_paramsdict, default=None

Дополнительные ключевые аргументы для функции метрики.

n_jobsint, default=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 более подробной информации.

Атрибуты:

effective_metric_str or callable

Метрика расстояния для использования. Она будет такой же, как и в параметре metric, или его синоним, например, ‘euclidean’, если параметр metric установлен на ‘minkowski’ и параметр p установлен на 2.

effective_metric_params_dict

Дополнительные ключевые аргументы для функции метрики. Для большинства метрик будут такими же, как и в параметре metric_params, но также могут содержать значение параметра p, если атрибут effective_metric_ установлен на ‘minkowski’.

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлен в версии 0.24.

feature_names_in_ndarray of shape (n_features_in_,)

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

Добавлен в версии 1.0.

n_samples_fit_int

Количество образцов в подгоняемых данных.

См. также

NearestNeighbors

Бесподходный обучающий модуль для реализации поиска соседей.

KNeighborsRegressor

Регрессия на основе k-ближайших соседей.

KNeighborsClassifier

Классификатор, основанный на k-ближайших соседей.

RadiusNeighborsClassifier

Классификатор на основе соседей в заданном радиусе.

Примечания

См. Ближайшие соседи в онлайн-документации для обсуждения выбора algorithm и leaf_size.

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)[source]

Обучение регрессора на основе ближайших соседей по обучающей выборке.

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)

Значения целевой переменной.

Возвращает:

selfRadiusNeighborsRegressor

Обученный регрессор на основе ближайших соседей.

get_metadata_routing()[source]

Получение маршрутизации метаданных для этого объекта.

Пожалуйста, обратитесь к Руководству пользователя для получения информации о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, возвращает параметры этого оценщика и вложенных подобъектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

predict(X)[source]

Предсказать значение целевой переменной для предоставленных данных.

Параметры:

X{array-like, sparse matrix} формы (n_queries, n_features), или (n_queries, n_indexed) если metric == ‘precomputed’, или None

Тестовые образцы. Если None, возвращаются предсказания для всех индексированных точек; в этом случае точки не рассматриваются как свои соседи.

Возвращает:

yndarray формы (n_queries,) или (n_queries, n_outputs), dtype=double

Значения целевой переменной.

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

Нахождение соседей в заданном радиусе точки или точек.

Возвращает индексы и расстояния каждой точки из набора данных, лежащих в шаре размером radius вокруг точек массива запроса. Точки, лежащие на границе, включаются в результаты.

Результат точки не обязательно отсортированы по расстоянию до точки запроса.

Параметры:

X{array-like, sparse matrix} формы (n_samples, n_features), по умолчанию=None

Точка или точки запроса. Если не указано, возвращаются соседи каждой индексированной точки. В этом случае точка запроса не рассматривается как свой сосед.

radiusfloat, по умолчанию=None

Предельное расстояние соседей для возврата. По умолчанию — значение, переданное в конструктор.

return_distancebool, по умолчанию=True

Возвращать ли расстояния.

sort_resultsbool, по умолчанию=False

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

Добавлена в версии 0.22.

Возвращает:

neigh_distndarray формы (n_samples,) массивов

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

neigh_indndarray формы (n_samples,) массивов

Массив массивов индексов приближенных ближайших точек из матрицы популяции, которые лежат в шаре размером radius вокруг точек запроса.

Примечания

Поскольку количество соседей каждой точки не обязательно равно, результаты для нескольких точек запроса не могут поместиться в стандартный массив данных. Для повышения эффективности radius_neighbors возвращает массивы объектов, где каждый объект — одномерный массив индексов или расстояний.

Примеры

В следующем примере мы создаём 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 возвращённый массив содержит расстояния до всех точек, которые ближе, чем 1.6, а второй — их индексы. В общем случае можно запросить сразу несколько точек.

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

Вычисление (взвешенного) графа соседей для точек в X.

Соседства ограничены точками на расстоянии меньше радиуса.

Параметры:

X{array-like, sparse matrix} формы (n_samples, n_features), по умолчанию=None

Точка или точки запроса. Если не указано, возвращаются соседи каждой индексированной точки. В этом случае точка запроса не рассматривается как свой сосед.

radiusfloat, по умолчанию=None

Радиус окрестностей. По умолчанию — значение, переданное в конструктор.

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

Тип возвращаемой матрицы: ‘connectivity’ вернет матрицу связности с единицами и нулями, в ‘distance’ рёбра — расстояния между точками, тип расстояния зависит от выбранного параметра метрики в классе NearestNeighbors.

sort_resultsbool, по умолчанию=False

Если True, в каждой строке результата ненулевые записи будут отсортированы по возрастанию расстояний. Если False, ненулевые записи могут не быть отсортированы. Используется только с mode=’distance’.

Добавлена в версии 0.22.

Возвращает:

Asparse-matrix формы (n_queries, n_samples_fit)

Количество образцов в подходящих данных. Вес ребра, соединяющего i с j. Матрица в формате CSR.

См. также

kneighbors_graph

Вычисление (взвешенного) графа k-соседей для точек в 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)[source]

Возвращает коэффициент детерминации предсказания.

Коэффициент детерминации \(R^2\) определяется как \((1 - \frac{u}{v})\), где \(u\) — остаточная сумма квадратов ((y_true - y_pred)** 2).sum() и \(v\) — общая сумма квадратов ((y_true - y_true.mean()) ** 2).sum(). Лучшее возможное значение равно 1.0, и оно может быть отрицательным (потому что модель может быть произвольно хуже). Модель, которая всегда предсказывает ожидаемое значение y, игнорируя входные признаки, получит значение \(R^2\) равное 0,0.

Параметры:

Xarray-like of shape (n_samples, n_features)

Тестовые образцы. Для некоторых оценщиков это может быть предварительно вычисленная матрица ядер или список общих объектов вместо нее с формой (n_samples, n_samples_fitted), где n_samples_fitted — количество образцов, используемых в подгонке для оценщика.

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

Истинные значения для X.

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

Веса образцов.

Возвращает:

scorefloat

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

Примечания

Значение \(R^2\), используемое при вызове score для регрессора, использует multioutput='uniform_average' начиная с версии 0.23, чтобы поддерживать согласованность со значением по умолчанию r2_score. Это влияет на метод score всех регрессоров с несколькими выходами (кроме MultiOutputRegressor).

set_params(**params)[source]

Устанавливает параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (такими как Pipeline). Последние имеют параметры вида <component>__<parameter>, чтобы можно было обновить каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfestimator instance

Экземпляр оценщика.

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

Запрос метаданных, передаваемых методу score.

Обратите внимание, что этот метод актуален только если enable_metadata_routing=True (см. sklearn.set_config). См. Руководство пользователя о том, 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 будет передавать их score.
• None: метаданные не запрашиваются, и мета-оценщик вызовет ошибку, если пользователь их предоставит.
• str: метаданные должны передаваться мета-оценщику с этим псевдонимом вместо исходного имени.

Значение по умолчанию (sklearn.utils.metadata_routing.UNCHANGED): сохраняет существующий запрос. Это позволяет вам изменить запрос для некоторых параметров, а не для других.

Добавлен в версии 1.3.

Примечание

Этот метод актуален только в том случае, если этот оценщик используется в качестве под-оценщика мета-оценщика, например, внутри Pipeline. В противном случае он не имеет эффекта.

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.