mars.learn.semi_supervised.LabelPropagation#

class mars.learn.semi_supervised.LabelPropagation(kernel='rbf', gamma=20, n_neighbors=7, max_iter=1000, tol=0.001)[来源]#

标签传播分类器

在用户指南中阅读更多内容。

Parameters

kernel ({'knn', 'rbf', 可调用对象}) – 用于核函数的字符串标识符或核函数本身。仅‘rbf’和‘knn’字符串是有效输入。传入的函数应接受两个输入，每个输入的形状为 [n_samples, n_features]，并返回一个形状为 [n_samples, n_samples] 的权重矩阵。
gamma (float) – rbf核的参数
n_neighbors (整数 > 0) – knn 核心的参数
max_iter (整数) – 改变允许的最大迭代次数
tol (float) – 收敛容忍度：将系统视为稳定状态的阈值

X_#

输入数组。

Type: 数组，形状 = [样本数量, 特征数量]

classes_#

用于分类实例的不同标签。

Type: 数组，形状 = [n_classes]

label_distributions_#

每个项目的分类分布。

Type: 数组，形状 = [样本数量，类别数量]

transduction_#

通过转导分配给每个项目的标签。

Type: 数组，形状 = [样本数量]

n_iter_#

运行的迭代次数。

Type: int

示例

>>> import numpy as np
>>> from sklearn import datasets
>>> from mars.learn.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(...)

参考文献

徐小金和祖宾·盖哈拉马尼。通过标签传播从有标签和无标签数据中学习。技术报告 CMU-CALD-02-107，卡内基梅隆大学，2002 http://pages.cs.wisc.edu/~jerryzhu/pub/CMU-CALD-02-107.pdf

另请参阅

LabelSpreading: 替代标签传播策略对噪声更具鲁棒性

__init__(kernel='rbf', gamma=20, n_neighbors=7, max_iter=1000, tol=0.001)[来源]#

方法

`__init__`([内核, 伽马, 邻居数量, ...])
`fit`(X, y[, session, run_kwargs])	基于半监督标签传播模型进行拟合
`get_params`([deep])	获取该估计器的参数。
`predict`(X[, session, run_kwargs])	在模型中执行归纳推理。
`predict_proba`(X[, session, run_kwargs])	预测每个可能结果的概率。
`score`(X, y[, sample_weight, session, run_kwargs])	返回给定测试数据和标签的平均准确性。
`set_params`(**params)	设置此估计器的参数。