`sklearn.manifold`.locally_linear_embedding¶

sklearn.manifold.locally_linear_embedding()¶

Realiza un análisis de Embedding Localmente Lineal en los datos.

Más información en el Manual de usuario.

Parámetros

X{array-like, NearestNeighbors}

Datos de la muestra, shape = (n_samples, n_features), en forma de arreglo numpy o de objeto NearestNeighbors.

n_neighborsint

número de vecinos a considerar para cada punto.

n_componentsint

número de coordenadas para el colector.

regfloat, default=1e-3

constante de regularización, multiplica la traza de la matriz de covarianza local de las distancias.

eigen_solver{“auto”, “arpack”, “dense”}, default=”auto”

auto : el algoritmo intentará elegir el mejor método para los datos de entrada

arpackutiliza la iteración arnoldi en modo shift-invert.: Para este método, M puede ser una matriz densa, una matriz dispersa o un operador lineal general. Advertencia: ARPACK puede ser inestable para algunos problemas. Lo mejor es probar varias semillas aleatorias para comprobar los resultados.
denseutiliza las operaciones estándar de matrices densas para el autovalor: descomposición. Para este método, M debe ser un arreglo o un tipo de matriz. Este método debe evitarse para problemas grandes.

tolfloat, default=1e-6

Tolerancia para el método “arpack” No utilizado si eigen_solver==”dense”.

max_iterint, default=100

número máximo de iteraciones para el solucionador arpack.

method{“standard”, “hessian”, “modified”, “ltsa”}, default=”standard”

standardutilizar el algoritmo estándar de embedding localmente lineal.: ver referencia [1]
hessianusa el método eigenmap Hessian. Este método requiere: n_neighbors > n_components * (1 + (n_components + 1) / 2. ver referencia [2]
modifiedutilizar el algoritmo de embedding localmente lineal modificado.: ver referencia [3]
ltsautilizar el algoritmo de alineación del espacio tangente local: ver referencia [4]

hessian_tolfloat, default=1e-4

Tolerancia para el método de mapeo propio hessiano. Sólo se utiliza si method == “hessian”

modified_tolfloat, default=1e-12

Tolerancia para el método LLE modificado. Sólo se utiliza si method == “modified”

random_stateentero, instancia de RandomState, default=None

Determina el generador de números aleatorios cuando solver == “arpack”. Pasa un int para obtener resultados reproducibles a través de múltiples llamadas a la función. Ver :term: Glosario <random_state>.

n_jobsint o None, default=None

El número de trabajos paralelos a ejecutar para la búsqueda de vecinos. None significa 1 a menos que esté en un contexto joblib.parallel_backend. -1 significa usar todos los procesadores. Consulta Glosario para más detalles.

Devuelve

Yarray-like, forma [n_samples, n_components]: Vectores de Embedding.
squared_errorfloat: Error de reconstrucción de los vectores de embedding. Equivale a norm(Y - W Y, 'fro')**2, donde W son los ponderados de reconstrucción.

Referencias

1: Roweis, S. & Saul, L. Nonlinear dimensionality reduction by locally linear embedding. Science 290:2323 (2000).
2: Donoho, D. & Grimes, C. Hessian eigenmaps: Locally linear embedding techniques for high-dimensional data. Proc Natl Acad Sci U S A. 100:5591 (2003).
3: Zhang, Z. & Wang, J. MLLE: Modified Locally Linear Embedding Using Multiple Weights. http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.70.382
4: Zhang, Z. & Zha, H. Principal manifolds and nonlinear dimensionality reduction via tangent space alignment. Journal of Shanghai Univ. 8:406 (2004)

sklearn.manifold.locally_linear_embedding¶

`sklearn.manifold`.locally_linear_embedding¶