我有一个流形学习/非线性降维问题，我知道物体之间的距离达到某个阈值，超过这个阈值我就知道距离是“远”的。此外，在某些情况下，某些距离可能会丢失。我试图使用sklearn.manifold来执行查找1d表示的任务。一种自然的表示方法是将“远”距离表示为inf，将丢失的距离表示为nan。
然而，由于我得到了scikit-learn，目前nan似乎不支持inf中的多个学习函数的距离矩阵中的sklearn.manifold和ValueError: Array contains NaN or infinity值。
这有什么概念上的原因吗？一些方法似乎特别适合于inf，例如非度量MDS。另外，我知道这些方法在其他语言中的一些实现能够处理丢失的/inf值。
我没有使用inf而是考虑将“far”值设置为一个非常大的数字，但我不确定这将如何影响结果。
更新：
我在sklearn.manifold.MDS._smacof_single()的代码中找到了一段代码和一条注释，上面写着"similarities with 0 are considered as missing values"。这是一种未记录的指定缺少值的方法吗？这是否适用于所有的多功能？
最佳答案
简而言之：正如您所提到的，非度量MDS能够处理不完全异类矩阵。您是对的：当使用MDS(metric=False)时，将值设置为零allows将被解释为缺少值。它不适用于其他不基于非度量MDS的流形学习过程，但是可能有类似的（非文档化的）方法可用。
关于你的问题
用高值替换inf可以确定低维表示的形状。这是否有效，而不是一个概念性的问题，只有知道inf值的来源才能回答。inf条目的意思是“这些数据彼此之间的距离是reeaaaalllyyyy”，用高值替换是有意义的（就像在您的例子中一样）。如果缺少关于差异性的知识，我不建议用inf替换。如果没有其他解决方案（如非度量MDS或矩阵完成），那么我建议在这种情况下用可测量距离的中值替换（checkoutImputation）。
查看我的answer到2017年的一个类似问题。
关于python - scikit-learn流形学习函数中的NaN/inf值，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/17529646/