`sklearn.neighbors`.NeighborhoodComponentsAnalysis¶

class sklearn.neighbors.NeighborhoodComponentsAnalysis¶

Análisis de componentes del vecindario

El análisis de Componentes del Vecindario (Neighborhood Component Analysis, NCA) es un algoritmo de aprendizaje automático para el aprendizaje métrico. Aprende una transformación lineal de forma supervisada para mejorar la precisión de la clasificación de una regla estocástica de vecinos más cercanos en el espacio transformado.

Más información en el Manual de usuario.

Parámetros

n_componentsentero, default=None

Dimensionalidad preferida del espacio proyectado. Si es None se establecerá en n_features.

init{“auto”, “pca”, “lda”, “identity”, “random”} o ndarray de la forma (n_features_a, n_features_b), default=”auto”

Inicialización de la transformación lineal. Las opciones posibles son “auto”, “pca”, “lda”, “identity”, “random” y una matriz numérica de forma (n_features_a, n_features_b).

“auto”: Dependiendo de n_components, la inicialización más razonable será elegida. Si n_components <= n_classes usamos “lda”, ya que usa información de etiquetas. Si no, pero n_components < min(n_features, n_samples), usamos “pca”, ya que proyecta datos en direcciones significativas (aquellas de mayor varianza). De lo contrario, sólo utilizaremos la «identity».
“pca”: Los componentes principales n_components de las entradas pasadas a fit serán usados para inicializar la transformación. (Ver PCA)
“lda”: min(n_components, n_classes) los componentes más discriminativos de las entradas pasadas a fit serán usados para inicializar la transformación. (Si n_components > n_classes, el resto de los componentes serán cero.) (Ver LinearDiscriminantAnalysis)
“identity”: Si n_components es estrictamente menor que la dimensionalidad de las entradas pasadas a fit, la matriz de identidad será truncada a las primeras filas n_components.
“random”: La transformación inicial será un arreglo aleatorio de forma (n_components, n_features). Cada valor es muestreado de la distribución normal estándar.
arreglo numpy: n_features_b debe coincidir con la dimensionalidad de las entradas pasadas a fit y n_features_a debe ser menor o igual a eso. Si n_components no es None, n_features_a debe coincidirlo.

warm_startbooleano, default=False

Si es True y fit ha sido llamado antes, la solución de la llamada anterior a fit se utiliza como la transformación lineal inicial (n_components e init serán ignorados).

max_iterentero, default=50

Número máximo de iteraciones en la optimización.

tolflotante, default=1e-5

Tolerancia de conversión para la optimización.

callbackinvocable, default=None

Si no es None, esta función es llamada después de cada iteración del optimizador, tomando como argumentos la solución actual (matriz de transformación aplanada) y el número de iteraciones. Esto puede ser útil en caso de que uno quiera examinar o almacenar la transformación encontrada después de cada iteración.

verboseentero, default=0

Si es 0, no se imprimirán mensajes de progreso. Si es 1, los mensajes de progreso se imprimirán en stdout. Si > 1, los mensajes de progreso se imprimirán y el parámetro disp de scipy.optimize.minimize se establecerá en verbose - 2.

random_stateentero o numpy.Randomstate, default=None

Un objeto generador de números pseudoaleatorios o una semilla para él si es int. Si init='random', random_state se utiliza para inicializar la transformación aleatoria. Si init='pca', random_state se pasa como argumento a PCA cuando se inicializa la transformación. Pasa un entero para obtener resultados reproducibles a través de múltiples llamadas a la función. Ver :term: Glosario <random_state>.

Atributos

components_ndarray de forma (n_components, n_features): La transformación lineal aprendida durante el ajuste.
n_iter_entero: Cuenta el número de iteraciones realizadas por el optimizador.
random_state_numpy.RandomState: Objeto generador de números pseudoaleatorio utilizado durante la inicialización.

Referencias

1: J. Goldberger, G. Hinton, S. Roweis, R. Salakhutdinov. «Neighbourhood Components Analysis». Advances in Neural Information Processing Systems. 17, 513-520, 2005. http://www.cs.nyu.edu/~roweis/papers/ncanips.pdf
2: Entrada de Wikipedia sobre el Análisis de Componentes del Vecindario https://en.wikipedia.org/wiki/Neighbourhood_components_analysis

Ejemplos

>>> from sklearn.neighbors import NeighborhoodComponentsAnalysis
>>> from sklearn.neighbors import KNeighborsClassifier
>>> from sklearn.datasets import load_iris
>>> from sklearn.model_selection import train_test_split
>>> X, y = load_iris(return_X_y=True)
>>> X_train, X_test, y_train, y_test = train_test_split(X, y,
... stratify=y, test_size=0.7, random_state=42)
>>> nca = NeighborhoodComponentsAnalysis(random_state=42)
>>> nca.fit(X_train, y_train)
NeighborhoodComponentsAnalysis(...)
>>> knn = KNeighborsClassifier(n_neighbors=3)
>>> knn.fit(X_train, y_train)
KNeighborsClassifier(...)
>>> print(knn.score(X_test, y_test))
0.933333...
>>> knn.fit(nca.transform(X_train), y_train)
KNeighborsClassifier(...)
>>> print(knn.score(nca.transform(X_test), y_test))
0.961904...

Métodos

`fit`	Ajusta el modelo de acuerdo a los datos de entrenamiento dados.
`fit_transform`	Se ajustan los datos y luego se transforman.
`get_params`	Obtiene los parámetros de este estimador.
`set_params`	Establece los parámetros de este estimador.
`transform`	Se aplica la transformación aprendida a los datos dados.

fit()¶

Ajusta el modelo de acuerdo a los datos de entrenamiento dados.

Parámetros

Xarray-like de forma (n_samples_X, n_features): Las muestras de entrenamiento.
yarray-like de forma (n_samples,): Las etiquetas de entrenamiento correspondientes.

Devuelve

selfobjeto: devuelve un modelo de NeighborhoodComponentsAnalysis entrenado.

fit_transform()¶

Se ajustan los datos y luego se transforman.

Ajusta el transformador a X y y con los parámetros opcionales fit_params y devuelve una versión transformada de X.

Parámetros

Xarray-like de forma (n_samples_X, n_features): Muestras de entrada.
yarray-like de forma (n_samples,) o (n_samples, n_outputs), default=None: Valores objetivo (None para transformaciones no supervisadas).
**fit_paramsdict: Parámetros de ajuste adicionales.

Devuelve

X_newarreglo ndarray de forma (n_samples, n_features_new): Arreglo transformado.

get_params()¶

Obtiene los parámetros de este estimador.

Parámetros

deepbooleano, default=True: Si es True, devolverá los parámetros para este estimador y los subobjetos 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