LabelSpreading#

class sklearn.semi_supervised.LabelSpreading(kernel='rbf', *, gamma=20, n_neighbors=7, alpha=0.2, max_iter=30, tol=0.001, n_jobs=None)[原始碼]#

用於半監督學習的 LabelSpreading 模型。

此模型類似於基本的標籤傳播演算法，但使用基於正規化圖拉普拉斯算子的親和力矩陣，並在標籤之間進行軟鉗位。

請在使用者指南中閱讀更多資訊。

參數:

kernel{‘knn’, ‘rbf’} 或可呼叫物件，預設值 = ‘rbf’: 要使用的核心函數的字串識別碼，或核心函數本身。僅 ‘rbf’ 和 ‘knn’ 字串為有效輸入。傳遞的函數應接收兩個輸入，每個輸入的形狀為 (n_samples, n_features)，並回傳形狀為 (n_samples, n_samples) 的權重矩陣。
gamma浮點數，預設值 = 20: rbf 核心的參數。
n_neighbors整數，預設值 = 7: knn 核心的參數，必須為嚴格正整數。
alpha浮點數，預設值 = 0.2: 鉗位因子。介於 (0, 1) 之間的值，指定實例應從其鄰居採用資訊的相對量，而不是其初始標籤。 alpha=0 表示保留初始標籤資訊； alpha=1 表示取代所有初始資訊。
max_iter整數，預設值 = 30: 允許的最大迭代次數。
tol浮點數，預設值 = 1e-3: 收斂容差：將系統視為穩態的閾值。
n_jobs整數，預設值 = None: 要執行的平行工作數。None 表示 1，除非在joblib.parallel_backend環境中。-1 表示使用所有處理器。有關詳細資訊，請參閱詞彙表。

屬性:

X_形狀為 (n_samples, n_features) 的 ndarray: 輸入陣列。
classes_形狀為 (n_classes,) 的 ndarray: 用於分類實例的不同標籤。
label_distributions_形狀為 (n_samples, n_classes) 的 ndarray: 每個項目的類別分佈。
transduction_形狀為 (n_samples,) 的 ndarray: 在fit期間分配給每個項目的標籤。
n_features_in_整數: 在fit期間看到的特徵數量。

在版本 0.24 中新增。
feature_names_in_形狀為 (n_features_in_,) 的 ndarray: 在fit期間看到的特徵名稱。僅在 X 具有全部為字串的特徵名稱時定義。

在版本 1.0 中新增。
n_iter_整數: 執行的迭代次數。

另請參閱

LabelPropagation: 基於無正規化圖的半監督學習。

參考文獻

Dengyong Zhou, Olivier Bousquet, Thomas Navin Lal, Jason Weston, Bernhard Schoelkopf. 使用局部和全域一致性進行學習 (2004)

範例

>>> import numpy as np
>>> from sklearn import datasets
>>> from sklearn.semi_supervised import LabelSpreading
>>> label_prop_model = LabelSpreading()
>>> iris = datasets.load_iris()
>>> rng = np.random.RandomState(42)
>>> random_unlabeled_points = rng.rand(len(iris.target)) < 0.3
>>> labels = np.copy(iris.target)
>>> labels[random_unlabeled_points] = -1
>>> label_prop_model.fit(iris.data, labels)
LabelSpreading(...)

fit(X, y)[原始碼]#

將半監督標籤傳播模型擬合到 X。

輸入樣本（已標記和未標記）由矩陣 X 提供，目標標籤由矩陣 y 提供。我們慣例上在半監督分類中將標籤 -1 應用於矩陣 y 中的未標記樣本。

參數:

X形狀為 (n_samples, n_features) 的 {類陣列, 稀疏矩陣}: 訓練資料，其中 n_samples 是樣本數，n_features 是特徵數。
y形狀為 (n_samples,) 的類陣列: 目標類別值，其中未標記點標記為 -1。所有未標記的樣本都將在內部以傳導方式分配標籤，這些標籤儲存在 transduction_ 中。

回傳值: