`sklearn.neighbors`.RadiusNeighborsRegressor¶

class sklearn.neighbors.RadiusNeighborsRegressor¶

Regresión basada en vecinos dentro de un radio fijo.

El objetivo se predice mediante la interpolación local de los objetivos asociados a los vecinos más cercanos en el conjunto de entrenamiento.

Más información en el Manual de usuario.

Nuevo en la versión 0.9.

Parámetros

radiusflotante, default=1.0

Rango del espacio de parámetros a usar por defecto para consultas radius_neighbors.

weights{“uniform”, “distance”} o invocable, default=”uniform”

función de ponderación utilizada en la predicción. Valores posibles:

“uniform” : ponderaciones uniformes. Todos los puntos de cada vecindario se ponderan por igual.
“distance” : pondera los puntos por la inversa de su distancia. En este caso, los vecinos más cercanos de un punto de consulta tendrán una mayor influencia que los vecinos más alejados.
[callable] : una función definida por el usuario que acepta un arreglo de distancias, y devuelve un arreglo de la misma forma que contiene las ponderaciones.

Las ponderaciones uniformes se utilizan por defecto.

algorithm{“auto”, “ball_tree”, “kd_tree”, “brute”}, default=”auto”

Algoritmo usado para calcular los vecinos más cercanos:

“ball_tree” usará BallTree
“kd_tree” usará KDTree
“brute” usará una búsqueda de fuerza bruta.
“auto” intentará decidir el algoritmo más apropiado basado en los valores pasados al método fit.

Nota: el ajuste en la entrada dispersa anulará el ajuste de este parámetro, utilizando la fuerza bruta.

leaf_sizeentero, default=30

Tamaño de hoja pasado a BallTree o KDTree. Esto puede afectar la velocidad de la construcción y la consulta, así como la memoria necesaria para almacenar el árbol. El valor óptimo depende de la naturaleza del problema.

pentero, default=2

Parámetro de potencia para la métrica de Minkowski. Cuando p = 1, esto equivale a utilizar manhattan_distance (l1), y euclidean_distance (l2) para p = 2. Para p arbitrario, se utiliza minkowski_distance (l_p).

metriccadena de caracteres o invocable, default=»minkowski”

la métrica de distancia a utilizar para el árbol. La métrica predeterminada es minkowski, y con p=2 es equivalente a la métrica Euclideana estándar. Ver la documentación de DistanceMetric para una lista de métricas disponibles. Si la métrica es «precomputed», se asume que X es una matriz de distancias y debe ser cuadrada durante el ajuste. X puede ser un grafo disperso, en cuyo caso sólo elementos «distintos de cero» pueden ser considerados vecinos.

metric_paramsdict, default=None

Argumentos adicionales de palabras clave para la función métrica.

n_jobsentero, 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. Ver Glosario para más detalles.

Atributos

effective_metric_cadena o invocable: La métrica de distancia a utilizar. Será igual que el parámetro metric o un sinónimo de él, por ejemplo, “euclidean” si el parámetro metric se establece en “minkowski” y el parámetro p se establece en 2.
effective_metric_params_dict: Argumentos adicionales para la función métrica. Para la mayoría de las métricas será lo mismo que el parámetro metric_params, pero también puede contener el valor del parámetro p si el atributo effective_metric_ se establece como minkowski.
n_samples_fit_entero: Número de muestras en los datos ajustados.

Ver también

NearestNeighbors
KNeighborsRegressor
KNeighborsClassifier
RadiusNeighborsClassifier

Notas

Ver Nearest Neighbors en la documentación en línea para una discusión sobre la elección del algorithm y el leaf_size.

https://https://es.wikipedia.org/wiki/K_vecinos_m%C3%A1s_pr%C3%B3ximos

Ejemplos

>>> X = [[0], [1], [2], [3]]
>>> y = [0, 0, 1, 1]
>>> from sklearn.neighbors import RadiusNeighborsRegressor
>>> neigh = RadiusNeighborsRegressor(radius=1.0)
>>> neigh.fit(X, y)
RadiusNeighborsRegressor(...)
>>> print(neigh.predict([[1.5]]))
[0.5]

Métodos

`fit`	Ajusta el regresor de radio de vecinos del conjunto de datos de entrenamiento.
`get_params`	Obtiene los parámetros para este estimador.
`predict`	Predice el objetivo para los datos proporcionados
`radius_neighbors`	Encuentra a los vecinos dentro de un radio determinado de un punto o puntos.
`radius_neighbors_graph`	Calcula el grafo (ponderado) de k-vecinos para los puntos de X
`score`	Devuelve el coeficiente de determinación \(R^2\) de la predicción.
`set_params`	Establece los parámetros de este estimador.

fit()¶

Ajusta el regresor de radio de vecinos del conjunto de datos de entrenamiento.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features) o (n_samples, n_samples) si metric=”precomputed”: Datos del entrenamiento.
y{array-like, sparse matrix} de forma (n_samples,) o (n_samples, n_outputs): Valores objetivo.

Devuelve

selfRadiusNeighborsRegressor: El regresor de los vecinos del radio ajustado.

get_params()¶

Obtiene los parámetros para 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.

predict()¶

Predice el objetivo para los datos proporcionados

Parámetros

Xarray-like de forma (n_queries, n_features), o (n_queries, n_indexed) si metric == “precomputed”: Muestras de prueba.

Devuelve

yndarray de forma (n_queries,) o (n_queries, n_outputs), dtype=double: Valores objetivo.

radius_neighbors()¶

Encuentra a los vecinos dentro de un radio determinado de un punto o puntos.

Devuelve los índices y distancias de cada punto del conjunto de datos que se encuentra en una bola con el tamaño radius alrededor de los puntos del arreglo de consultas. Los puntos en el límite están incluidos en los resultados.

Los puntos de resultado no necesariamente están ordenados por distancia a su punto de consulta.

Parámetros

Xarray-like de (n_samples, n_features), default=None: El punto o puntos de la consulta. Si no se proporciona, se devuelven los vecinos de cada punto indexado. En este caso, el punto de consulta no se considera su propio vecino.
radiusflotante, default=None: Limitando la distancia de vecinos a regresar. El valor predeterminado es pasado al constructor.
return_distancebooleano, default=True: Si se devuelven o no las distancias.
sort_resultsbooleano, default=False: Si es True, las distancias e índices serán ordenados antes de ser devueltos. Si es False, los resultados no se ordenarán. Si return_distance=False, al establecer sort_results=True se producirá un error.

Nuevo en la versión 0.22.

Devuelve

neigh_distndarray de forma (n_samples,) de arreglos: Arreglo que representa las distancias a cada punto, sólo presente si return_distance=True. Los valores de la distancia se calculan según el parámetro del constructor metric.
neigh_indndarray de forma (n_samples,) de arreglos: Un arreglo de arreglos de los puntos más cercanos aproximados de la matriz de población que se encuentran dentro de una bola de tamaño radius alrededor de los puntos de la consulta.

Notas

Porque el número de vecinos de cada punto no es necesariamente igual, los resultados para múltiples puntos de consulta no pueden caber en un arreglo de datos estándar. Para la eficiencia, radius_neighbors devuelve arreglo de objetos, donde cada objeto es un arreglo 1D de índices o distancias.

Ejemplos

En el siguiente ejemplo, construimos una clase NearestNeighbors a partir de un arreglo que representa nuestro conjunto de datos y preguntamos cuál es el punto más cercano a [1,1,1]:

>>> import numpy as np
>>> samples = [[0., 0., 0.], [0., .5, 0.], [1., 1., .5]]
>>> from sklearn.neighbors import NearestNeighbors
>>> neigh = NearestNeighbors(radius=1.6)
>>> neigh.fit(samples)
NearestNeighbors(radius=1.6)
>>> rng = neigh.radius_neighbors([[1., 1., 1.]])
>>> print(np.asarray(rng[0][0]))
[1.5 0.5]
>>> print(np.asarray(rng[1][0]))
[1 2]

El primer arreglo devuelto contiene las distancias a todos los puntos más cercanos a 1.6, mientras que el segundo arreglo devuelto contiene sus índices. En general, se pueden consultar varios puntos al mismo tiempo.

radius_neighbors_graph()¶

Calcula el grafo (ponderado) de k-vecinos para los puntos de X

Los vecindarios son los puntos restringidos a una distancia inferior al radio.

Parámetros

Xarray-like de forma (n_samples, n_features), default=None: El punto o puntos de la consulta. Si no se proporciona, se devuelven los vecinos de cada punto indexado. En este caso, el punto de consulta no se considera su propio vecino.
radiusflotante, default=None: Radio de los vecindarios. El valor predeterminado es pasado al constructor.
mode{“connectivity”, “distance”}, default=”connectivity”: Tipo de matriz devuelta: “connectivity” devolverá la matriz de conectividad con unos y ceros, en “distance” los bordes son la distancia euclidiana entre puntos.
sort_resultsbooleano, default=False: Si es True, en cada fila del resultado, las entradas que no sean de cero se ordenarán aumentando las distancias. Si es False, las entradas que no sean de cero no pueden ser ordenadas. Sólo se utiliza con mode=”distance”.

Nuevo en la versión 0.22.

Devuelve

Amatriz dispersa de forma (n_queries, n_samples_fit): n_samples_fit es el número de muestras en los datos especificados A[i, j] se le asigna la ponderación de borde que conecta i a j. La matriz si de formato CSR.

Ver también

kneighbors_graph

Ejemplos

>>> X = [[0], [3], [1]]
>>> from sklearn.neighbors import NearestNeighbors
>>> neigh = NearestNeighbors(radius=1.5)
>>> neigh.fit(X)
NearestNeighbors(radius=1.5)
>>> A = neigh.radius_neighbors_graph(X)
>>> A.toarray()
array([[1., 0., 1.],
       [0., 1., 0.],
       [1., 0., 1.]])

score()¶

Devuelve el coeficiente de determinación \(R^2\) de la predicción.

El coeficiente \(R^2\) se define como \((1 - \frac{u}{v})\), donde \(u\) es la suma residual de cuadrados ((y_true - y_pred) ** 2).sum() y \(v\) es la suma total de cuadrados ((y_true - y_true.mean()) ** 2).sum(). El mejor valor posible es 1.0 y puede ser negativo (porque el modelo puede ser arbitrariamente peor). Un modelo constante que siempre predice el valor esperado de y, sin tener en cuenta las características de entrada, obtendría un valor \(R^2\) de 0,0.

Parámetros

Xarray-like de forma (n_samples, n_features): Muestras de prueba. Para algunos estimadores puede ser una matriz núcleo precalculada o una lista de objetos genéricos en su lugar con forma (n_samples, n_samples_fitted), donde n_samples_fitted es el número de muestras utilizadas en el ajuste para el estimador.
yarray-like de forma (n_samples,) o (n_samples, n_outputs): Valores verdaderos para X.
sample_weightarray-like de forma (n_samples,), default=None: Ponderados de muestras.

Devuelve

scoreflotante: \(R^2\) de self.predict(X) con respecto a y.

Notas

El valor \(R^2\) utilizado al invocar a score en un regresor utiliza multioutput='uniform_average' desde la versión 0.23 para mantener la consistencia con el valor predeterminado de r2_score. Esto influye en el método score de todos los regresores de salida múltiple (excepto para MultiOutputRegressor).

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.