跳到主要内容

半径邻居分类（RadiusNeighborsClassifier）

组件名称半径邻居分类（RadiusNeighborsClassifier）
工具集机器学习/分类/半径邻居分类（RadiusNeighborsClassifier）
组件作者雪浪云-燕青
文档版本1.0
功能半径邻居分类（RadiusNeighborsClassifier）
镜像名称ml_components:3
开发语言Python

组件原理​

在计算几何中，固定半径近邻问题是最近邻搜索问题的一种变体。在固定半径邻域问题中,一种是给定一组输入点，在d维空间中并有固定的距离。另一种必须设计一个数据结构,给定一个查询点,快速有效的查询数据结构内的点间距。问题长期以来被研究;Bentley(1975)引用了Levinthal 1966年的一篇论文，该论文将该技术作为分子结构可视化系统的一部分，并有许多其他应用。

解决这个问题的一个方法是在指向一个整数格,这样网格点之间的距离Δ就是所需的距离。可以使用一个哈希表,对每个输入点,附近的其他输入映射到网格点,然后可以检测是否不四舍五入的位置实际上是距离Δ。当维度为固定常数时，该程序测试的点对数的个数与测试所用时间是线性的。然而，线性时间界的比例常数随维数呈指数增长。利用该方法，可以在线性时间内从几何数据构造无差异图和单位盘图。

现代GPU并行方法能够有效地计算出所有对固定半径的NNS。对于有限域，格林方法表明，该问题可以通过在均匀网格上排序来解决，即在O(kn)时间内找到所有粒子的所有邻居，其中k与邻居的平均数量成正比。Hoetzlein通过计数、排序和原子操作在现代硬件上进一步改进了这一点。

在连续拉格朗日模拟(如光滑粒子流体动力学)、计算几何和点云问题(表面重建)中，常出现固定半径的邻近问题。

组件

  • 组件图：

输入桩​

支持单个csv文件输入。

输入端子1​

  • 端口名称：训练数据
  • 输入类型：Csv文件
  • 功能描述： 输入用于训练的数据

输出桩​

支持sklearn模型输出。

输出端子1​

  • 端口名称：输出模型
  • 输出类型：sklearn模型
  • 功能描述： 输出训练好的模型用于预测

参数配置​

radius​

  • 功能描述：radius_neighbors默认使用的参数空间范围。
  • 必选参数：是
  • 默认值：5

weights​

  • 功能描述：用于预测的权函数。uniform，distance。
  • 必选参数：是
  • 默认值：uniform

algorithm​

  • 功能描述：计算最近邻的算法。‘auto’, ‘ball_tree’, ‘kd_tree’, ‘brute’。
  • 必选参数：是
  • 默认值：auto

Leaf Size​

  • 功能描述:传递给巴利树或KDTree的叶大小。
  • 必选参数：是
  • 默认值：30

p​

  • 功能描述: Minkowski度量的幂参数。
  • 必选参数：是
  • 默认值：2

metric​

  • 功能描述: 树的距离度量标准。
  • 必选参数：是
  • 默认值：minkowski

N Jobs​

  • 功能描述: 为邻居搜索运行的并行作业数。
  • 必选参数：否
  • 默认值：（无）

需要训练​

  • 功能描述：该模型是否需要训练，默认为需要训练。
  • 必选参数：是
  • 默认值：true

特征字段​

  • 功能描述：特征字段
  • 必选参数：是
  • 默认值：（无）

识别字段​

  • 功能描述：识别字段
  • 必选参数：是
  • 默认值：（无）

使用方法​

  • 将组件拖入到项目中
  • 与前一个组件输出的端口连接（必须是csv类型）
  • 点击运行该节点

测试用例​

模板​

右面板配置​

  • 参数设置：

  • 字段设置：

输入的数据：​

输出的结果：​

  • 输出模型：