locally_linear_embedding#
- sklearn.manifold.locally_linear_embedding(X, *, n_neighbors, n_components, reg=0.001, eigen_solver='auto', tol=1e-06, max_iter=100, method='standard', hessian_tol=0.0001, modified_tol=1e-12, random_state=None, n_jobs=None)#
执行数据上的局部线性嵌入分析。
更多信息请参阅 用户指南 。
- Parameters:
- X{array-like, NearestNeighbors}
样本数据，形状 = (n_samples, n_features)，以 numpy 数组或 NearestNeighbors 对象的形式。
- n_neighborsint
每个点要考虑的邻居数量。
- n_componentsint
流形的坐标数量。
- regfloat, default=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’}, default=’auto’
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 可以是密集矩阵、稀疏矩阵或一般线性算子。 警告：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。
dense : 使用标准密集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。
- tolfloat, default=1e-6
‘arpack’ 方法的容差 如果 eigen_solver==’dense’，则不使用。
- max_iterint, default=100
arpack 求解器的最大迭代次数。
- method{‘standard’, ‘hessian’, ‘modified’, ‘ltsa’}, default=’standard’
- hessian_tolfloat, default=1e-4
Hessian 特征映射方法的容差。 仅在 method == ‘hessian’ 时使用。
- modified_tolfloat, default=1e-12
改进的 LLE 方法的容差。 仅在 method == ‘modified’ 时使用。
- random_stateint, RandomState instance, default=None
当
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 or None, default=None
用于邻居搜索的并行作业数。
None意味着 1，除非在joblib.parallel_backend上下文中。-1意味着使用所有处理器。参见 术语 了解更多详情。
- Returns:
- Yndarray of shape (n_samples, n_components)
嵌入向量。
- squared_errorfloat
嵌入向量的重构误差。等效于
norm(Y - W Y, 'fro')**2，其中 W 是重构权重。
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。 上海大学学报。 8:406 (2004)
Examples
>>> from sklearn.datasets import load_digits >>> from sklearn.manifold import locally_linear_embedding >>> X, _ = load_digits(return_X_y=True) >>> X.shape (1797, 64) >>> embedding, _ = locally_linear_embedding(X[:100],n_neighbors=5, n_components=2) >>> embedding.shape (100, 2)
