`sklearn.manifold`.SpectralEmbedding¶

class sklearn.manifold.SpectralEmbedding¶

Embedding espectral para reducción de la dimensionalidad no lineal.

Forma una matriz de afinidad dada por la función especificada y aplica la descomposición espectral al laplaciano del grafo correspondiente. La transformación resultante viene dada por el valor de los autovectores de cada punto de datos.

Nota: El algoritmo que se implementa aquí es el Eigenmaps Laplaciano.

Más información en el Manual de usuario.

Parámetros

n_componentsint, default=2

La dimensión del subespacio proyectado.

affinity{“nearest_neighbors”, “rbf”, “precomputed”, “precomputed_nearest_neighbors”} o invocable, default=”nearest_neighbors”

Cómo construir la matriz affinity.

“nearest_neighbors” : construye la matriz affinity calculando una gráfica de vecinos más cercanos.
“rbf” : construye la matriz de afinidad calculando un núcleo de función de base radial (RBF).
“precomputed” : interpreta X como una matriz de afinidad precalculada.
“precomputed_nearest_neighbors” : interprete X como un gráfico disperso de vecinos cercanos precalculados, y construye la matriz de afinidad seleccionando los vecinos más cercanos n_neighbors.
callable : usa la función pasada como afinidad la función toma la matriz de datos (n_samples, n_features) y devuelve la matriz de afinidad (n_samples, n_samples).

gammafloat, default=None

Coeficiente del kernel para el kernel rbf. Si es None, gamma se establecerá en 1/n_features.

random_stateentero, instancia de RandomState o None, default=None

Determina el generador de números aleatorios utilizado para la inicialización de los autovectores lobpcg cuando solver == “amg”. Pase un int para obtener resultados reproducibles a través de múltiples llamadas a la función. Ver :term: Glosario <random_state>.

eigen_solver{“arpack”, “lobpcg”, “amg”}, default=None

La estrategia de descomposición de autovalores propios a utilizar. AMG requiere la instalación de pyamg. Puede ser más rápido en problemas muy grandes y dispersos. Si es None, se utiliza 'arpack'.

n_neighborsint, default=None

Número de vecinos más cercanos para la construcción del grafo nearest_neighbors. Si es None, n_neighbors se establecerá en max(n_samples/10, 1).

n_jobsint, default=None

El número de trabajos paralelos a ejecutar. None significa 1 a menos que esté en un contexto joblib.parallel_backend. -1 significa utilizar todos los procesadores. Ver :Glosario para más detalles.

Atributos

embedding_ndarray de forma (n_samples, n_components): Embedding espectral de la matriz de entrenamiento.
affinity_matrix_ndarray de forma (n_samples, n_samples): Affinity_matrix construido a partir de muestras o precalculadas.
n_neighbors_int: Número de vecinos más cercanos que se utilizan eficazmente.

Referencias

A Tutorial on Spectral Clustering, 2007 Ulrike von Luxburg http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.165.9323
On Spectral Clustering: Analysis and an algorithm, 2001 Andrew Y. Ng, Michael I. Jordan, Yair Weiss http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.19.8100
Normalized cuts and image segmentation, 2000 Jianbo Shi, Jitendra Malik http://citeseer.ist.psu.edu/viewdoc/summary?doi=10.1.1.160.2324

Ejemplos

>>> from sklearn.datasets import load_digits
>>> from sklearn.manifold import SpectralEmbedding
>>> X, _ = load_digits(return_X_y=True)
>>> X.shape
(1797, 64)
>>> embedding = SpectralEmbedding(n_components=2)
>>> X_transformed = embedding.fit_transform(X[:100])
>>> X_transformed.shape
(100, 2)

Métodos

`fit`	Ajusta el modelo a partir de los datos en X.
`fit_transform`	Ajustar el modelo a partir de los datos en X y transforma X.
`get_params`	Obtiene los parámetros para este estimador.
`set_params`	Establece los parámetros de este estimador.

fit()¶

Ajusta el modelo a partir de los datos en X.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features)

Vector de entrenamiento, donde n_samples es el número de muestras y n_features es el número de características.

Si la afinidad es «precalculada» X : {array-like, sparse matrix}, forma (n_samples, n_samples), Interpreta X como gráfica de adición precalculada calculada a partir de muestras.

yIgnorado

Devuelve

selfobject: Devuelve la propia instancia.

fit_transform()¶

Ajustar el modelo a partir de los datos en X y transforma X.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features)

Vector de entrenamiento, donde n_samples es el número de muestras y n_features es el número de características.

Si la afinidad es «precalculada» X : {array-like, sparse matrix}, forma (n_samples, n_samples), Interprete X como gráfico de adyacencia precomputado calculado a partir de las muestras.

yIgnorado

Devuelve

X_newarray-like de forma (n_samples, n_components)

get_params()¶

Obtiene los parámetros para este estimador.

Parámetros

deepbool, default=True: Si es True, devolverá los parámetros para este estimador y los sub objetos contenidos que son estimadores.

Devuelve

paramsdict: Nombres de parámetros mapeados a sus valores.

set_params()¶

Establece los parámetros de este estimador.

El método funciona tanto con estimadores simples como en objetos anidados (como Pipeline). Estos últimos tienen parámetros de la forma <component>__<parameter> para que sea posible actualizar cada componente de un objeto anidado.

Parámetros

**paramsdict: Parámetros del estimador.

Devuelve

selfinstancia del estimador: Instancia de estimador.

Ejemplos usando `sklearn.manifold.SpectralEmbedding`¶

sklearn.manifold.SpectralEmbedding¶

Ejemplos usando sklearn.manifold.SpectralEmbedding¶

`sklearn.manifold`.SpectralEmbedding¶

Ejemplos usando `sklearn.manifold.SpectralEmbedding`¶