NearestCentroid

class sklearn.neighbors.NearestCentroid(metric='euclidean', *, shrink_threshold=None, priors='uniform')

最近的重心分类器。

每个类别都由其重心表示，测试样本被分类到具有最近重心的类别。

阅读更多的 User Guide .

参数:

metric{“欧几里得”，“曼哈顿”}，默认=“欧几里得”

用于距离计算的指标。

如果 metric="euclidean" ，对应于每个类别的样本的质心是算术平均值，其最小化L1距离的平方和。如果 metric="manhattan" ，重心是特征方向的中位数，它使L1距离的总和最小化。

在 1.5 版本发生变更: 所有指标，但 "euclidean" 和 "manhattan" 已被废弃，现在提出一个错误。

在 0.19 版本发生变更: metric='precomputed' 已被废弃，现在提出错误

shrink_thresholdfloat，默认=无

缩小重心以删除要素的阈值。

priors{“均匀”，“经验”}或形状类似数组（n_classes，）， 默认=“统一”

班级先验概率。默认情况下，班级比例是从训练数据中推断的。

Added in version 1.6.

属性:

centroids_形状类似阵列（n_classes，n_features）

每个类的质心。

classes_形状数组（n_classes，）

独特的班级标签。

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 X has feature names that are all strings.

Added in version 1.0.

deviations_形状的nd数组（n_classes，n_features）

每个类别的重心与总重心的偏差（或收缩）。等于eq。（18.4）如果 shrink_threshold=None ，否则（18.5）第653页 [2] .可用于识别用于分类的特征。

Added in version 1.6.

within_class_std_dev_形状的nd数组（n_features，）

输入数据的合并或类内标准差。

Added in version 1.6.

class_prior_形状的nd数组（n_classes，）

班级先验概率。

Added in version 1.6.

参见

KNeighborsClassifier

最近邻居分类器。

注意到

当用于具有tf-idf载体的文本分类时，该分类器也称为Rocchio分类器。

引用

[1] 蒂布希拉尼，R.，哈斯蒂，T.，Narasimhan，B.，& Chu，G.（2002）。通过缩小的基因表达中心诊断多种癌症类型。美国国家科学院院刊，99（10），6567-6572。国家科学院。

[2] 哈斯蒂，T.，蒂布希拉尼，R.，Friedman，J.（2009）。统计学习数据挖掘、推理和预测的要素。第二版。纽约斯普林格

示例

>>> from sklearn.neighbors import NearestCentroid
>>> import numpy as np
>>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
>>> y = np.array([1, 1, 1, 2, 2, 2])
>>> clf = NearestCentroid()
>>> clf.fit(X, y)
NearestCentroid()
>>> print(clf.predict([[-0.8, -1]]))
[1]

decision_function(X)

将决策函数应用于样本数组。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}

样本数组（测试载体）。

返回:

y_scores形状的ndarray（n_samples，）或（n_samples，n_classes）

每个样本与每个类别相关的决策函数值。在两类情况下，形状为 (n_samples,) ，给出正类的对数似然比。

fit(X, y)

根据给定的训练数据来匹配最近中心模型。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}

训练载体，在哪里 n_samples 是样本数量和 n_features 是功能的数量。请注意，重心收缩不能与稀疏矩阵一起使用。

y形状类似阵列（n_samples，）

目标值。

返回:

self对象

拟合估计量。

get_metadata_routing()

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)

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。

predict(X)

对一系列测试载体执行分类 X .

预测的类别 C 对于中的每个样本 X 已经回来了

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}

输入数据。

返回:

y_pred形状的nd数组（n_samples，）

预测的班级。

predict_log_proba(X)

估计日志类概率。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}

输入数据。

返回:

y_log_proba形状的nd数组（n_samples，n_classes）

估计的日志概率。

predict_proba(X)

估计班级概率。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}

输入数据。

返回:

y_proba形状的nd数组（n_samples，n_classes）

模型中每个类别的样本的概率估计，其中类别按其所在位置排序 self.classes_ .

score(X, y, sample_weight=None)

返回给定测试数据和标签的平均准确度。

在多标签分类中，这是子集准确度，这是一个苛刻的指标，因为您需要为每个样本正确预测每个标签集。

参数:

X形状类似阵列（n_samples，n_features）

测试样本。

y形状的类似阵列（n_samples，）或（n_samples，n_outputs）

真正的标签 X .

sample_weight形状类似数组（n_samples，），默认=无

样本重量。

返回:

score浮子

平均准确度 self.predict(X) w.r.t. y .

set_params(**params)

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ).后者具有以下形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。

参数:

**paramsdict

估计参数。

返回:

self估计器实例

估计实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → NearestCentroid

请求元数据传递给 score 法

请注意，此方法仅适用于以下情况 enable_metadata_routing=True （见 sklearn.set_config ).请参阅 User Guide 关于路由机制如何工作。

The options for each parameter are:

• True ：元数据被请求并传递给 score 如果提供的话。如果未提供元数据，则会忽略请求。

• False ：未请求元数据，元估计器不会将其传递给 score .

• None ：不请求元数据，如果用户提供元估计器，则元估计器将引发错误。

• str ：元数据应通过此给定别名而不是原始名称传递给元估计器。

默认 (sklearn.utils.metadata_routing.UNCHANGED ）保留现有请求。这允许您更改某些参数的请求，而不是其他参数。

Added in version 1.3.

备注

只有当该估计器用作元估计器的子估计器时，该方法才相关，例如在 Pipeline .否则就没有效果了。

参数:

sample_weight字符串、真、假或无， 默认=sklearn.utils. metalics_Routing.UNChanged

元数据路由 sample_weight 参数 score .

返回:

self对象

更新的对象。