竹子建站公司,手机网站开发一个多少钱,网站建设公司织梦模板下载,猪八戒网仿照哪个网站做的由NearestNeighbors类包装
1 主要使用方法
sklearn.neighbors.BallTree(X, leaf_size40, metricminkowski, **kwargs)
X数据集中的点数leaf_size改变 leaf_size 不会影响查询的结果#xff0c;但可以显著影响查询的速度和构建树所需的内存metric用于距离计算的度量。默认为…由NearestNeighbors类包装
1 主要使用方法
sklearn.neighbors.BallTree(X, leaf_size40, metricminkowski, **kwargs)
X数据集中的点数leaf_size改变 leaf_size 不会影响查询的结果但可以显著影响查询的速度和构建树所需的内存metric用于距离计算的度量。默认为 minkowski
2 主要方法
2.1 get_arrays
import numpy as np
from sklearn.neighbors import BallTree
X np.random.random((10, 3))
tree BallTree(X)
tree.get_arrays()
(array([[0.90651098, 0.68471698, 0.6299996 ],[0.82751465, 0.31739009, 0.61572299],[0.22778906, 0.63614041, 0.73672184],[0.64655758, 0.9729849 , 0.68232389],[0.94992886, 0.72604933, 0.45649069],[0.34932115, 0.95985124, 0.41451989],[0.45131894, 0.21650206, 0.82466273],[0.87047096, 0.48403116, 0.58119046],[0.94468825, 0.14985636, 0.12132986],[0.62717326, 0.12924198, 0.23928098]]),array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9], dtypeint64),array([(0, 10, 1, 0.61638879)],dtype[(idx_start, i8), (idx_end, i8), (is_leaf, i8), (radius, f8)]),array([[[0.68012737, 0.52767645, 0.53022429]]]))返回了4个数组 第一个数组原始数据点数组 第二个数组整数数组代表每个点的索引 第三个数组结构化数组包含了 BallTree 的内部树结构的信息 idx_start 和 idx_end定义了存储在当前节点的点的索引范围。is_leaf表明当前节点是否是叶节点。radius当前节点中所有点到节点中心点的最大距离第四个数组树的每个节点的中心点
2.2 get_tree_stats
获取 BallTree 的状态信息树的剪枝次数、叶节点的数量、分裂次数
2.3 query
查询树以找到 k 个最近邻居
query(X, k1, return_distanceTrue, dualtreeFalse, breadth_firstFalse)
X要查询的点的数组k (int默认为1) 要返回的最近邻居的数量 return_distance (bool默认为True) 如果为 True返回一个包含距离和索引的元组 (d, i) 如果为 False只返回数组 i dualtree (bool默认为False): 如果为 True使用双树形式进行查询为查询点构建一个树并使用这对树来高效地搜索这个空间当点的数量变得很大时这可以带来更好的性能 breadth_first (bool默认为False) 如果为 True则以广度优先的方式查询节点。否则以深度优先的方式查询 sort_results (bool默认为True) 如果为 True则在返回时对每个点的距离和索引进行排序使得第一列包含最近的点
import numpy as np
from sklearn.neighbors import BallTree
X np.random.random((100, 3))
tree BallTree(X)
tree.query(X[:3],k3)(array([[0. , 0.08335798, 0.15625817],[0. , 0.06843236, 0.10825558],[0. , 0.0968137 , 0.10245125]]),array([[ 0, 59, 88],[ 1, 70, 5],[ 2, 43, 20]], dtypeint64))2.4 query_radius
进行半径查询的功能查询树以找出在指定半径 r 内的邻居点
query_radius(X, r, return_distanceFalse, count_onlyFalse, sort_resultsFalse)
X要查询的点的数组r 返回邻居的距离范围 r 可以是单个值也可以是一个数组形状为 x.shape[:-1]如果每个点需要不同的半径 return_distance (bool默认为False) 如果为 True则返回每个点的邻居距离如果为 False则只返回邻居 与 query() 方法不同这里设置 return_distanceTrue 会增加计算时间。如果 return_distanceFalse并不需要显式计算所有距离 count_only (bool默认为False) 如果为 True则只返回距离 r 内的点的数量 如果为 False则返回距离 r 内所有点的索引 sort_results (bool默认为False) 如果为 True则在返回之前对距离和索引进行排序。如果为 False则结果不排序
import numpy as np
from sklearn.neighbors import BallTree
X np.random.random((100, 3))
tree BallTree(X)
tree.query_radius(X[:3],r0.3)array([array([ 0, 68, 11, 31, 46, 19, 36, 63, 16, 86, 79], dtypeint64),array([26, 64, 20, 94, 1, 4, 13, 3], dtypeint64),array([35, 50, 30, 83, 85, 18, 15, 53, 2, 96, 81], dtypeint64)],dtypeobject)2.5 two_point_correlation
计算距离小于等于r[i]的点的数量
two_point_correlation(X, r, dualtreeFalse)
X要查询的点集r一维数组包含距离值dualtree 如果为 True则使用双树算法否则使用单树算法。 对于大量数据点N双树算法可能有更好的扩展性
返回值
counts (ndarray): counts[i] 包含距离小于或等于 r[i] 的点对数
import numpy as np
from sklearn.neighbors import BallTree
X np.random.random((100, 3))
rnp.linspace(0.1,1,5)
tree BallTree(X)
tree.two_point_correlation(X[:3],rr)
#array([ 4, 34, 99, 196, 263], dtypeint64)返回的第一个值和X[0]的距离小于r[0]的数量和X[1]的距离小于r[0]的数量和X[2]的距离小于r[0]的数量3 KD-Tree
和Ball-Tree 一模一样
