LocallyLinearEmbedding#
- class sklearn.manifold.LocallyLinearEmbedding(*, n_neighbors=5, n_components=2, reg=0.001, eigen_solver='auto', tol=1e-06, max_iter=100, method='standard', hessian_tol=0.0001, modified_tol=1e-12, neighbors_algorithm='auto', random_state=None, n_jobs=None)[源代码]#
局部线性嵌入。
阅读更多的 User Guide .
- 参数:
- n_neighborsint，默认=5
每个点要考虑的邻居数量。
- n_componentsint，默认=2
Number of coordinates for the manifold.
- reg浮点数，默认值= 1 e-3
正规化常数乘以距离的局部协方差矩阵的轨迹。
- eigen_solver' Auto '，' arpack '，默认='
用于计算特征量的求解器。可用的选项包括：
'auto'：算法将尝试选择输入数据的最佳方法。'arpack'：在移位-反转模式中使用Arnoldi迭代。对于这种方法，M可以是稠密矩阵、稀疏矩阵或一般线性算子。'dense'使用标准稠密矩阵运算进行特征值分解。对于此方法，M必须是数组或矩阵类型。对于大问题应避免使用此方法。
警告
ARPACK对于某些问题可能不稳定。 最好尝试几个随机种子以检查结果。
- tolfloat，默认= 1 e-6
如果eigen_solver==' dense '，则不使用“arpack”方法的公差。
- max_iterint，默认=100
arpack求解器的最大迭代次数。如果eigen_solver==' dense '，则不使用。
- method'标准'，' hessian '，'修改'，&
- hessian_tolfloat，默认= 1 e-4
Hessian特征映射方法的容忍度。仅在以下情况下使用
method == 'hessian'.- modified_tol浮点数，默认值= 1 e-12
修改后的LLE方法的公差。仅在以下情况下使用
method == 'modified'.- neighbors_algorithm' Auto '，' brute '，'， 默认='自动'
用于最近邻搜索的算法，传递给
NearestNeighborsinstance.- random_stateint，RandomState实例，默认=无
确定随机数生成器
eigen_solver==' arpack '。传递int以获得跨多个函数调用的可重复结果。看到 Glossary .- n_jobsint或无，默认=无
要运行的并行作业数。
None意思是1，除非在a中joblib.parallel_backend上下文-1意味着使用所有处理器。看到 Glossary 了解更多详细信息。
- 属性:
- embedding_阵列状，形状 [n_samples, n_components]
存储嵌入载体
- reconstruction_error_浮子
与相关的重建错误
embedding_- n_features_in_int
期间看到的功能数量 fit .
Added in version 0.24.
- feature_names_in_ ：nd形状数组 (
n_features_in_,)nd数组形状（ Names of features seen during fit. Defined only when
Xhas feature names that are all strings.Added in version 1.0.
- nbrs_NearestNeighbors对象
存储最近的邻居实例，包括BallTree或KDtree（如果适用）。
参见
SpectralEmbeddingSpectral embedding for non-linear dimensionality reduction.
TSNE分布式随机邻居嵌入。
引用
[1]Roweis，S. & Saul，L.通过局部线性嵌入进行非线性降维。 科学290：2323（2000）。
[2]Donoho, D. & Grimes, C. Hessian eigenmaps: Locally linear embedding techniques for high-dimensional data. Proc Natl Acad Sci U S A. 100:5591 (2003).
[3]Zhang, Z. & Wang, J. MLLE: Modified Locally Linear Embedding Using Multiple Weights. <https://citeseerx.ist.psu.edu/doc_view/pid/0b060fdbd92cbcc66b383bcaa9ba5e5e624d7ee3>_[4]张，Z。&查，H.通过切空间对齐的主管和非线性降维。上海大学学刊8：406（2004）
示例
>>> from sklearn.datasets import load_digits >>> from sklearn.manifold import LocallyLinearEmbedding >>> X, _ = load_digits(return_X_y=True) >>> X.shape (1797, 64) >>> embedding = LocallyLinearEmbedding(n_components=2) >>> X_transformed = embedding.fit_transform(X[:100]) >>> X_transformed.shape (100, 2)
- fit(X, y=None)[源代码]#
计算数据X的嵌入载体。
- 参数:
- X形状类似阵列（n_samples，n_features）
训练装备。
- y忽视
未使用，此处列出是为了按照惯例实现API一致性。
- 返回:
- self对象
装配
LocallyLinearEmbedding类实例。
- fit_transform(X, y=None)[源代码]#
计算数据X的嵌入载体并变换X。
- 参数:
- X形状类似阵列（n_samples，n_features）
训练装备。
- y忽视
未使用，此处列出是为了按照惯例实现API一致性。
- 返回:
- X_new类似阵列，形状（n_samples，n_components）
返回实例本身。
- get_feature_names_out(input_features=None)[源代码]#
获取用于转换的输出要素名称。
输出的功能名称将以大写的类别名称为开头。例如，如果Transformer输出3个特征，则输出的特征名称为：
["class_name0", "class_name1", "class_name2"].- 参数:
- input_features字符串或无的类数组，默认=无
仅用于通过中看到的名称验证要素名称
fit.
- 返回:
- feature_names_out字符串对象的nd数组
转换的功能名称。
- get_metadata_routing()[源代码]#
获取此对象的元数据路由。
请检查 User Guide 关于路由机制如何工作。
- 返回:
- routingMetadataRequest
A
MetadataRequest封装路由信息。
- get_params(deep=True)[源代码]#
获取此估计器的参数。
- 参数:
- deep布尔，默认=True
如果为True，将返回此估计量和包含的作为估计量的子对象的参数。
- 返回:
- paramsdict
参数名称映射到其值。
- set_output(*, transform=None)[源代码]#
设置输出容器。
看到 介绍 set_output API 了解如何使用API的示例。
- 参数:
- transform{“默认”，“pandas”，“polars”}，默认=无
配置输出
transform和fit_transform."default"：Transformer的默认输出格式"pandas"：DataFrame输出"polars"：两极输出None：转换配置不变
Added in version 1.4:
"polars"添加了选项。
- 返回:
- self估计器实例
估计实例。