sklearn.neighbors.radius_neighbors_graph

sklearn.neighbors.radius_neighbors_graph()

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

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

Más información en el Manual de usuario.

Parámetros
Xarray-like de forma (n_samples, n_features) o BallTree

Datos de muestra, en forma de arreglo numpy o de un BallTree precalculado.

radiusflotante

Radio de los vecindarios.

mode{“connectivity”, “distance”}, default=”connectivity”

Tipo de matriz devuelta: “conectividad” devolverá la matriz de conectividad con unos y ceros, y “distance” devolverá las distancias entre vecinos según la métrica dada.

metriccadena, default=”minkowski”

La métrica de distancia utilizada para calcular los vecinos de cada punto de muestra. La clase DistanceMetric ofrece una lista de métricas disponibles. La distancia predeterminada es “euclidiana” (métrica “minkowski” con el parámetro p igual a 2.)

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).

metric_paramsdict, default=None

argumentos de palabras clave adicionales para la función métrica.

include_selfbooleano o “auto”, default=False

Marcar o no cada muestra como el primer vecino más cercano a sí mismo. Si es “auto”, se utiliza True para mode=”connectivity” y False para mode=”distance”.

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. Consulta Glosario para más detalles.

Devuelve
Amatriz dispersa de forma (n_samples, n_samples)

Grafo en el que se asigna a A[i, j] el peso del borde que conecta i con j. La matriz tiene el formato CSR.

Ver también

kneighbors_graph

Ejemplos

>>> X = [[0], [3], [1]]
>>> from sklearn.neighbors import radius_neighbors_graph
>>> A = radius_neighbors_graph(X, 1.5, mode='connectivity',
...                            include_self=True)
>>> A.toarray()
array([[1., 0., 1.],
       [0., 1., 0.],
       [1., 0., 1.]])