Isomap#

class sklearn.manifold.Isomap(*, n_neighbors=5, radius=None, n_components=2, eigen_solver='auto', tol=0, max_iter=None, path_method='auto', neighbors_algorithm='auto', n_jobs=None, metric='minkowski', p=2, metric_params=None)#

Isomap Embedding.

非线性降维通过等距映射

更多信息请参阅 用户指南 。

Parameters:
n_neighborsint or None, default=5

每个点要考虑的邻居数量。如果 n_neighbors 是 int，则 radius 必须为 None 。

radiusfloat or None, default=None

返回邻居的限制距离。如果 radius 是 float，则 n_neighbors 必须设置为 None 。

Added in version 1.1.

n_componentsint, default=2

流形的坐标数量。

eigen_solver{‘auto’, ‘arpack’, ‘dense’}, default=’auto’

‘auto’ : 尝试选择最有效的求解器 对于给定的问题。

‘arpack’ : 使用 Arnoldi 分解来找到特征值 和特征向量。

‘dense’ : 使用直接求解器（即 LAPACK） 进行特征值分解。

tolfloat, default=0

传递给 arpack 或 lobpcg 的收敛容差。 如果 eigen_solver == ‘dense’，则不使用。

max_iterint, default=None

arpack 求解器的最大迭代次数。 如果 eigen_solver == ‘dense’，则不使用。

path_method{‘auto’, ‘FW’, ‘D’}, default=’auto’

用于寻找最短路径的方法。

‘auto’ : 尝试自动选择最佳算法。

‘FW’ : Floyd-Warshall 算法。

‘D’ : Dijkstra 算法。

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

用于最近邻搜索的算法， 传递给 neighbors.NearestNeighbors 实例。

n_jobsint or None, default=None

并行运行的作业数量。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有处理器。有关更多详细信息，请参阅 Glossary 。

metricstr, or callable, default=”minkowski”

在特征数组中计算实例之间距离时使用的度量。如果 metric 是字符串或可调用对象，则必须是 sklearn.metrics.pairwise_distances 的 metric 参数允许的选项之一。 如果 metric 是 “precomputed”，则假定 X 是距离矩阵并且必须是方阵。X 可以是 Glossary 。

Added in version 0.22.

pfloat, default=2

sklearn.metrics.pairwise.pairwise_distances 中 Minkowski 度量的参数。当 p = 1 时，这相当于使用 manhattan_distance (l1)，当 p = 2 时，相当于使用 euclidean_distance (l2)。对于任意 p，使用 minkowski_distance (l_p)。

Added in version 0.22.

metric_paramsdict, default=None

度量函数的额外关键字参数。

Added in version 0.22.

Attributes:
embedding_array-like, shape (n_samples, n_components)

存储嵌入向量。

kernel_pca_object

用于实现嵌入的 KernelPCA 对象。

nbrs_sklearn.neighbors.NearestNeighbors instance

存储最近邻实例，包括 BallTree 或 KDtree（如果适用）。

dist_matrix_array-like, shape (n_samples, n_samples)

存储训练数据的地 geodesic 距离矩阵。

n_features_in_int

fit 期间看到的特征数量。

Added in version 0.24.

feature_names_in_ndarray of shape ( n_features_in_ ,)

fit 期间看到的特征名称。仅当 X 的特征名称均为字符串时定义。

Added in version 1.0.

See also

sklearn.decomposition.PCA

主成分分析，是一种线性降维方法。

sklearn.decomposition.KernelPCA

使用核和 PCA 的非线性降维。

MDS

使用多维缩放的流形学习。

TSNE

T-分布随机邻嵌入。

LocallyLinearEmbedding

使用局部线性嵌入的流形学习。

SpectralEmbedding

用于非线性降维的谱嵌入。

References

[1]

Tenenbaum, J.B.; De Silva, V.; & Langford, J.C. A global geometric framework for nonlinear dimensionality reduction. Science 290 (5500)

Examples

>>> from sklearn.datasets import load_digits
>>> from sklearn.manifold import Isomap
>>> X, _ = load_digits(return_X_y=True)
>>> X.shape
(1797, 64)
>>> embedding = Isomap(n_components=2)
>>> X_transformed = embedding.fit_transform(X[:100])
>>> X_transformed.shape
(100, 2)
fit(X, y=None)#

计算数据X的嵌入向量。

Parameters:
X{array-like, sparse matrix, BallTree, KDTree, NearestNeighbors}

样本数据，形状为 (n_samples, n_features)，可以是 numpy 数组、稀疏矩阵、预计算的树或 NearestNeighbors 对象。

y忽略

未使用，仅为保持API一致性而存在。

Returns:
selfobject

返回一个已拟合的 self 实例。

fit_transform(X, y=None)#

拟合模型从X中的数据并转换X。

Parameters:
X{array-like, sparse matrix, BallTree, KDTree}

训练向量，其中 n_samples 是样本数量 和 n_features 是特征数量。

y忽略

未使用，为保持API一致性而存在。

Returns:
X_newarray-like, shape (n_samples, n_components)

X在新空间中转换后的形式。

get_feature_names_out(input_features=None)#

获取转换后的输出特征名称。

输出特征名称将以小写的类名作为前缀。例如，如果转换器输出3个特征，那么输出特征名称将是： ["class_name0", "class_name1", "class_name2"] 。

Parameters:
input_features类似数组的对象或None，默认为None

仅用于验证特征名称与 fit 中看到的名称。

Returns:
feature_names_outndarray of str对象

转换后的特征名称。

get_metadata_routing()#

获取此对象的元数据路由。

请查看 用户指南 以了解路由机制的工作原理。

Returns:
routingMetadataRequest

MetadataRequest 封装的 路由信息。

get_params(deep=True)#

获取此估计器的参数。

Parameters:
deepbool, 默认=True

如果为True，将返回此估计器和包含的子对象（也是估计器）的参数。

Returns:
paramsdict

参数名称映射到它们的值。

reconstruction_error()#

计算嵌入的重构误差。

Returns:
reconstruction_errorfloat

重构误差。

Notes

isomap嵌入的成本函数为

E = frobenius_norm[K(D) - K(D_fit)] / n_samples

其中D是输入数据X的距离矩阵， D_fit是输出嵌入X_fit的距离矩阵， K是isomap核：

K(D) = -0.5 * (I - 1/n_samples) * D^2 * (I - 1/n_samples)

set_output(*, transform=None)#

设置输出容器。

请参阅 介绍 set_output API 以了解如何使用API的示例。

Parameters:
transform{“default”, “pandas”, “polars”}, 默认=None

配置 transform 和 fit_transform 的输出。

  • "default" : 转换器的默认输出格式

  • "pandas" : DataFrame 输出

  • "polars" : Polars 输出

  • None : 转换配置不变

Added in version 1.4: "polars" 选项已添加。

Returns:
self估计器实例

估计器实例。

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 ）。后者具有形式为 <component>__<parameter> 的参数，以便可以更新嵌套对象的每个组件。

Parameters:
**paramsdict

估计器参数。

Returns:
selfestimator instance

估计器实例。

transform(X)#

Transform X.

这是通过将点 X 链接到训练数据的测地距离图来实现的。首先在训练数据中找到 X 的 n_neighbors 个最近邻点，然后从这些点计算出 X 中每个点到训练数据中每个点的最短测地距离，以构建核。X 的嵌入是该核在训练集嵌入向量上的投影。

Parameters:
X{array-like, sparse matrix}, shape (n_queries, n_features)

如果 neighbors_algorithm=’precomputed’，则假定 X 是一个形状为 (n_queries, n_samples_fit) 的距离矩阵或稀疏图。

Returns:
X_newarray-like, shape (n_queries, n_components)

在新空间中变换后的 X。

On this page
Show Source