sklearn 笔记: neighbors.BallTree

球树结构

1 基本使用方法

python 复制代码
sklearn.neighbors.BallTree(
    X, 
    leaf_size=40, 
    metric='minkowski', 
    **kwargs)

2 主要参数说明

|-----------|--------------------------------------------------------------------------------|
| X | * 输入数据,维度为 (n_samples, n_features) * n_samples 是数据集中点的数量 * n_features 是参数空间的维数 |
| leaf_size | * 点数少于多少时,切换到暴力搜索 * 更改 leaf_size 不会影响查询结果,但可能会显著影响查询速度和构建树所需的内存 |
| metric | 度量距离 |

3 举例

3.1 最近的K个邻居

python 复制代码
import numpy as np
from sklearn.neighbors import BallTree
X = np.random.randn(10,3)
tree = BallTree(X, leaf_size=2)              
dist, ind = tree.query(X[:2], k=3)                

print(ind)  
# 最近的k个邻居的index
'''
[[0 4 5]
 [1 2 8]]
'''

print(dist)  
# 最近的k个邻居的距离
'''
[[0.         0.86677441 1.16406937]
 [0.         0.95190704 1.32997164]]
'''

3.2 位于查询点指定半径内的所有邻居点

  • 查找位于每个查询点半径内的点的索引
python 复制代码
query_radius(
    X, 
    r, 
    return_distance=False, 
    count_only=False, 
    sort_results=False)

|-------------------|------------------------------------------------------|
| X | * 查询点的坐标(n_queries, n_features) |
| r | float 或一维数组,表示查询半径 |
| count_only | bool,默认为 False。 如果为 True,则只返回每个查询点内邻居点的数量,而不返回邻居点的索引 |
| return_distance | bool,默认为 False。如果为 True,则返回每个查询点到其邻居点的距离列表 |

python 复制代码
import numpy as np
from sklearn.neighbors import BallTree
X = np.random.randn(10,3)
tree = BallTree(X, leaf_size=2)              

tree.query_radius(X[:2],r=[0.1,5])
'''
array([array([0], dtype=int64),
       array([6, 2, 4, 7, 8, 1, 0, 3, 9, 5], dtype=int64)], dtype=object)
'''
python 复制代码
import numpy as np
from sklearn.neighbors import BallTree
X = np.random.randn(10,3)
tree = BallTree(X, leaf_size=2)              

tree.query_radius(X[:2],r=[0.1,5],return_distance=True)
'''
(array([array([0], dtype=int64),
        array([8, 2, 3, 6, 1, 9, 7, 0, 5, 4], dtype=int64)], dtype=object),
 array([array([0.]),
        array([2.18948629, 1.05002031, 1.48036256, 1.54854719, 0.        ,
               2.37799982, 3.36371823, 2.63138373, 2.54630893, 3.57322436])],
       dtype=object))
'''
相关推荐
CoovallyAIHub16 分钟前
不看异常,怎么学会识别异常?用“异常”指导异常检测!——NAGL方法解析(附代码地址)
深度学习·算法·计算机视觉
张人玉35 分钟前
WPF 控件速查 PDF 笔记(可直接落地版)
笔记·microsoft·wpf
共享家952738 分钟前
数据结构-并查集
数据结构·c++·算法
摇滚侠42 分钟前
Spring Boot3零基础教程,事件驱动开发,设计登录成功后增加积分记录信息功能,笔记61
java·spring boot·笔记·后端
IT古董1 小时前
【第五章:计算机视觉-项目实战之推荐/广告系统】2.粗排算法-(2)理解粗排模型之离线部分:双塔模型结构精讲及实现
人工智能·算法·计算机视觉
茉莉玫瑰花茶1 小时前
贪心 - 后篇
算法
m0_748233641 小时前
【C++篇】C++11入门:踏入C++新世界的大门
java·c++·算法
Elias不吃糖1 小时前
Qt TCP 网络通信详解(笔记)
笔记·qt·tcp/ip
charlie1145141911 小时前
2D 计算机图形学基础速建——1
笔记·学习·教程·计算机图形学·基础
lxmyzzs1 小时前
【图像算法 - 31】基于深度学习的太阳能板缺陷检测系统:YOLOv12 + UI界面 + 数据集实现
人工智能·深度学习·算法·yolo·缺陷检测