sklearn.manifold.trustworthiness

sklearn.manifold.trustworthiness()

Expresa hasta qué punto se mantiene la estructura local.

La fiabilidad está dentro de [0, 1]. Se define como

$$T(k)=1-\frac{2}{nk(2n-3k-1)}\sum _{i=1}^n\sum _{j\in {\mathcal{N}}_i^k}max(0,(r(i,j)-k))$$

donde para cada muestra i, ${\mathcal{N}}_i^k$ son sus vecinos k más cercanos en el espacio de salida, y cada muestra j es su $r(i,j)$-ésimo vecino más cercano en el espacio de entrada. En otras palabras, cualquier vecinos más cercanos inesperados en el espacio de salida son penalizados en proporción a su rango en el espacio de entrada.

• «Neighborhood Preservation in Nonlinear Projection Methods: An Experimental Study» J. Venna, S. Kaski

• «Learning a Parametric Embedding by Preserving Local Structure» L.J.P. van der Maaten

Parámetros

Xndarray de forma (n_samples, n_features) o (n_samples, n_samples)

Si la métrica es “precomputed” X debe ser una matriz de distancia cuadrada, de lo contrario contiene una muestra por fila.

X_embeddedndarray de forma (n_samples, n_components)

Incrustación de los datos de entrenamiento en un espacio de baja dimensión.

n_neighborsentero, default=5

Número de vecinos k que serán considerados.

metriccadena de caracteres o invocable, default=”euclidean”

Qué métrica usar para calcular distancias pares entre muestras del espacio de entrada original. Si la métrica es “precomputed”, X debe ser una matriz de distancias pares o distancias cuadradas. De lo contrario, ver la documentación para el argumento metric en sklearn.pairwise.pairwise_distances para una lista de métricas disponibles.

Nuevo en la versión 0.20.

Devuelve

trustworthinessflotante

Confiabilidad de la incrustación de baja dimensión.