Milliy universiteti amaliy matematika va intellektual texnologiyalar

sklearn.neighbors
 numpy tillo yoki qo'yish 
mumkin 
scipy.sparse
matritsalar kirish sifatida. Zich matritsalar uchun 
ko'p sonli mumkin bo'lgan masofa ko'rsatkichlari qo'llab-
quvvatlanadi. Siyrak matritsalar uchun qidirish uchun o'zboshimchalik bilan 
Minkovskiy ko'rsatkichlari qo'llab-quvvatlanadi. 
Ularning yadrosidagi yaqin qo'shnilari tayanib ko'p o'rganish muolajalarni 
bor. Bir misol 
yadro zichligini baholash
, 
zichlikni baholash
 bo'lim. 
 

---

Nazorat Qilinmagan Eng Yaqin Qo'shnilar 
NearestNeighbors
 o'rganish unsupervised yaqin qo'shnilar amalga oshiradi. Bu 
uch xil yaqin qo'shnilar algoritmlarni yagona interfeys sifatida 
harakat: 
BallTree
, 
KDTree
 va tartiblarga asoslangan qo'pol kuch 
algoritmi 
sklearn.metrics.pairwise
. Qo'shnilar qidiruv algoritm tanlash 
kalit so'z orqali nazorat qilinadi 
'algorithm'
, ulardan biri bo'lishi 
kerak 
['auto', 'ball_tree', 'kd_tree', 'brute']
. Qachon standart 
qiymati 
'auto'
o'tdi, algoritm o'quv ma'lumotlaridan eng yaxshi yondashuvni 
aniqlashga harakat qiladi. Har bir variantning kuchli va zaif tomonlarini muhokama 
qilish uchun qarang 
Eng Yaqin Qo'shni Algoritmlar
. 
 
 
 
Eng yaqin qo'shnilarni topish
Ikki ma'lumotlar to'plami orasidagi eng yaqin qo'shnilarni topishning oddiy vazifasi 
uchun ichidagi nazoratsiz algoritmlar 
sklearn.neighbors
 foydalanish mumkin: 

---

So'rovlar to'plami mashg'ulotlar to'plamiga mos kelganligi sababli, har birining eng 
yaqin qo'shnisi nuqta-bu nuqtaning o'zi, nol masofada. 
Shuningdek, qo'shni nuqtalar orasidagi bog'lanishlarni ko'rsatadigan siyrak grafikni 
samarali ishlab chiqarish mumkin: 
Ma'lumotlar to'plami shunday tuzilganki, indeks tartibida yaqin nuqtalar 
yaqin parametr maydonida taxminan blok-diagonal matritsaga olib keladi K-eng 
yaqin qo'shnilar. Bunday siyrak grafik turli xil foydali nuqtalar orasidagi fazoviy 
munosabatlardan foydalanadigan holatlar nazoratsiz o'rganish: xususan, 
qarang