LabelPropagation#

class sklearn.semi_supervised.LabelPropagation(kernel='rbf', *, gamma=20, n_neighbors=7, max_iter=1000, tol=0.001, n_jobs=None)[源代码]#

标签传播分类器。

阅读更多的 User Guide .

参数:

kernel' knn '，'，' rbf '或可调用，默认=' rBF ': 要使用的内核函数或内核函数本身的字符串标识符。只有“rBF”和“knn”字符串是有效输入。传递的函数应该接受两个输入，每个输入都是形状（n_samples，n_features），并返回一个（n_samples，n_samples）形状的权重矩阵。
gammafloat，默认=20: rBF内核的参数。
n_neighborsint，默认=7: knn内核的参数需要严格为正值。
max_iterint，默认=1000: 更改允许的最大迭代次数。
tol浮点数，默认值= 1 e-3: 收敛容忍度：考虑系统处于稳态的阈值。
n_jobsint，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:

X_形状（n_samples，n_features）的{类数组，稀疏矩阵}: 输入数组。
classes_形状的nd数组（n_classes，）: 对实例进行分类时使用的不同标签。
label_distributions_形状的nd数组（n_samples，n_classes）: 每个物品的分类分布。
transduction_形状的nd数组（n_samples）: 期间为每个物品分配的标签 fit .
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.
n_iter_int: 运行的迭代次数。

参见

LabelSpreading: 替代标签传播策略对噪音更稳健。

引用

朱晓金和祖宾·加拉马尼。通过标签传播从标签和未标签数据中学习。技术报告CMU-CALD-02-107，卡内基梅隆大学，2002年http://pages.cs.wisc.edu/~jerryzhu/pub/CMU-CALD-02-107.pdf

示例

>>> import numpy as np
>>> from sklearn import datasets
>>> from sklearn.semi_supervised import LabelPropagation
>>> label_prop_model = LabelPropagation()
>>> iris = datasets.load_iris()
>>> rng = np.random.RandomState(42)
>>> random_unlabeled_points = rng.rand(len(iris.target)) < 0.3
>>> labels = np.copy(iris.target)
>>> labels[random_unlabeled_points] = -1
>>> label_prop_model.fit(iris.data, labels)
LabelPropagation(...)

fit(X, y)[源代码]#

将半监督标签传播模型适合X。

参数:

X形状（n_samples，n_features）的{类数组，稀疏矩阵}: 训练数据，在哪里 n_samples 是样本数量和 n_features 是功能的数量。
y形状类似阵列（n_samples，）: 未标记点标记为-1的目标类值。所有未标记的样本将在内部进行转换分配标签，这些标签存储在 transduction_ .

返回:

self对象: 返回实例本身。

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。

predict(X)[源代码]#

在整个模型中执行归纳推理。

参数:

X形状类似阵列（n_samples，n_features）: 数据矩阵。

返回:

y形状的nd数组（n_samples，）: 输入数据的预测。

predict_proba(X)[源代码]#

预测每个可能结果的可能性。

计算X中每个单个样本的概率估计以及训练期间看到的每个可能结果（类别分布）。

参数:

X形状类似阵列（n_samples，n_features）: 数据矩阵。

返回:

probabilities形状的nd数组（n_samples，n_classes）: Normalized probability distributions across class labels.

score(X, y, sample_weight=None)[源代码]#

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)[源代码]#

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 = '$UNCHANGED$') → LabelPropagation[源代码]#

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。