kneighbors_graph#

sklearn.neighbors.kneighbors_graph(X, n_neighbors, *, mode='connectivity', metric='minkowski', p=2, metric_params=None, include_self=False, n_jobs=None)#

计算X中点的k-邻居的（加权）图。

更多信息请参阅 用户指南 。

Parameters:
X{array-like, sparse matrix}，形状为 (n_samples, n_features)

样本数据。

n_neighborsint

每个样本的邻居数量。

mode{‘connectivity’, ‘distance’}，默认=’connectivity’

返回矩阵的类型：’connectivity’ 将返回一个包含1和0的连通性矩阵，’distance’ 将根据给定的度量返回邻居之间的距离。

metricstr，默认=’minkowski’

用于距离计算的度量。默认是 “minkowski”，当 p = 2 时，结果是标准的欧几里得距离。请参阅 scipy.spatial.distance 的文档和 distance_metrics 中列出的度量以获取有效的度量值。

pfloat，默认=2

Minkowski度量的幂参数。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)。该参数应为正数。

metric_paramsdict，默认=None

度量函数的额外关键字参数。

include_selfbool 或 ‘auto’，默认=False

是否将每个样本标记为自身的第一个最近邻居。如果为 ‘auto’，则 mode=’connectivity’ 时使用 True，mode=’distance’ 时使用 False。

n_jobsint，默认=None

用于邻居搜索的并行作业数量。 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 。

Returns:
A形状为 (n_samples, n_samples) 的稀疏矩阵

图中 A[i, j] 被分配了连接 i 到 j 的边的权重。矩阵为 CSR 格式。

See also

radius_neighbors_graph

计算X中点的邻居的（加权）图。

Examples

>>> X = [[0], [3], [1]]
>>> from sklearn.neighbors import kneighbors_graph
>>> A = kneighbors_graph(X, 2, mode='connectivity', include_self=True)
>>> A.toarray()
array([[1., 0., 1.],
       [0., 1., 1.],
       [1., 0., 1.]])
On this page
Show Source