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)#

局部线性嵌入。

更多信息请参阅 用户指南 。

Parameters:
n_neighborsint, 默认=5

每个点要考虑的邻居数量。

n_componentsint, 默认=2

流形的坐标数量。

regfloat, 默认=1e-3

正则化常数，乘以距离的局部协方差矩阵的迹。

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

用于计算特征向量的求解器。可用选项有：

  • 'auto' : 算法将尝试为输入数据选择最佳方法。

  • 'arpack' : 在移位-反转型式中使用arnoldi迭代。对于此方法，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。

Warning

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=1e-6

‘arpack’方法的容差 如果eigen_solver==’dense’，则不使用。

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{‘standard’, ‘hessian’, ‘modified’, ‘ltsa’}, 默认=’standard’

  • standard : 使用标准局部线性嵌入算法。参见参考文献 [1]

  • hessian : 使用Hessian特征映射方法。此方法要求 n_neighbors > n_components * (1 + (n_components + 1) / 2 。参见参考文献 [2]

  • modified : 使用改进的局部线性嵌入算法。参见参考文献 [3]

  • ltsa : 使用局部切空间对齐算法。参见参考文献 [4]

hessian_tolfloat, 默认=1e-4

Hessian特征映射方法的容差。 仅在 method == 'hessian' 时使用。

modified_tolfloat, 默认=1e-12

改进的LLE方法的容差。 仅在 method == 'modified' 时使用。

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

用于最近邻搜索的算法，传递给 NearestNeighbors 实例。

random_stateint, RandomState 实例, 默认=None

当 eigen_solver == ‘arpack’ 时确定随机数生成器。传递一个int以在多次函数调用中获得可重复的结果。参见 术语 。

n_jobsint 或 None, 默认=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。参见 术语 了解更多详情。

Attributes:
embedding_array-like, shape [n_samples, n_components]

存储嵌入向量

reconstruction_error_float

与 embedding_ 相关的重构误差

n_features_in_int

在 fit 期间看到的特征数量。

Added in version 0.24.

feature_names_in_ndarray of shape ( n_features_in_ ,)

在 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.

nbrs_NearestNeighbors 对象

存储最近邻实例，包括BallTree或KDtree（如果适用）。

See also

SpectralEmbedding

用于非线性降维的谱嵌入。

TSNE

分布式随机邻居嵌入。

References

[1]

Roweis, S. & Saul, L. 通过局部线性嵌入进行非线性降维。 Science 290:2323 (2000).

[2]

Donoho, D. & Grimes, C. Hessian特征映射：用于高维数据的局部线性嵌入技术。 Proc Natl Acad Sci U S A. 100:5591 (2003).

[4]

Zhang, Z. & Zha, H. 主流形和通过切空间对齐的非线性降维。 Journal of Shanghai Univ. 8:406 (2004)

Examples

>>> 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)#

计算数据X的嵌入向量。

Parameters:
X形状为 (n_samples, n_features) 的类数组

训练集。

y忽略

未使用，为了保持API一致性而存在。

Returns:
selfobject

已拟合的 LocallyLinearEmbedding 类实例。

fit_transform(X, y=None)#

计算数据X的嵌入向量并转换X。

Parameters:
X形状为 (n_samples, n_features) 的类数组

训练集。

y忽略

未使用，为了保持API一致性而存在。

Returns:
X_new类数组，形状为 (n_samples, n_components)

返回实例本身。

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。

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)#

将新点转换到嵌入空间。

Parameters:
X形状为 (n_samples, n_features) 的类数组

训练集。

Returns:
X_new形状为 (n_samples, n_components) 的 ndarray

返回实例本身。

Notes

由于此方法执行的缩放，不鼓励将其与不具有尺度不变性的方法（如SVM）一起使用。

On this page
Show Source