使用numpy生成kneighbors_graph，例如scikit-learn？

Question

我正在尝试了解我对某种基本ML方法的理解。有人可以用kneighbors_graph解释引擎盖下的情况吗？我想仅用numpy复制此输出。

from sklearn.neighbors import kneighbors_graph

X = [[0, 1], [3, 4], [7, 8]]
A = kneighbors_graph(X, 2, mode='distance', include_self=True)
A.toarray()

输出：

array([[0.        , 4.24264069, 0.        ],
       [4.24264069, 0.        , 0.        ],
       [0.        , 5.65685425, 0.        ]])

Answer 1

所得矩阵表示 n = 2个邻居的距离加权图，x中的每个点，在其中，您将点作为其自己的邻居（距离为零， ）。请注意，非纽布尔的距离也为零，因此您可能需要检查连接图，以了解您是在查看零距离邻居还是非邻居。

让我们从第一行开始，代表第一个点，[0，1]。这是该行中的数字是什么意思：

• 第一个0是距最近的点的距离（因为您指定inception_self = true）。如果您指定mode ='连接'这将是1，因为它是邻居。
• 第二个元素4.24是 euclidean> euclidean标准）到x的下一个点，它是[3，4]。您之所以得到此距离，是因为metric ='minkowski'，p = 2是默认值；如果您想要不同的距离度量，则可以拥有。同样，如果您指定mode ='Connectivity'这也是1，因为它是邻居。
• 第三个元素，另一个0，并不是真正的距离。它告诉您，第三点[7，8]是不是当n_neighbors是2。模式='连接'这将是0，因为它不是邻居。

您可以使用 scipy.spatial.distance.cdist（x，x） 。还有代码> 适用于邻居查找。如果您真的想获得纯numpy，请查看linalg模块。