当前位置: 首页>>代码示例 >>用法及示例精选 >>正文

Python NetworkX local_and_global_consistency用法及代码示例

本文简要介绍 networkx.algorithms.node_classification.lgc.local_and_global_consistency 的用法。

用法: local_and_global_consistency(G, alpha=0.99, max_iter=30, label_name='label')

按局部和全局一致性分类的节点

参数：

G：NetworkX 图表
alpha：浮点数: 钳位系数
max_iter：int: 允许的最大迭代次数
label_name：string: 要预测的目标标签的名称

返回：

predicted：列表: 长度列表 len(G) 以及每个节点的预测标签。

抛出：

NetworkXError: 如果 G 中没有节点具有属性 label_name 。

参考：

Zhou, D.、Bousquet, O.、Lal, T. N.、Weston, J. 和 Schölkopf, B. (2004)。以本地和全局的一致性学习。神经信息处理系统的进展，16(16)，321-328。

例子：

>>> from networkx.algorithms import node_classification
>>> G = nx.path_graph(4)
>>> G.nodes[0]["label"] = "A"
>>> G.nodes[3]["label"] = "B"
>>> G.nodes(data=True)
NodeDataView({0: {'label': 'A'}, 1: {}, 2: {}, 3: {'label': 'B'}})
>>> G.edges()
EdgeView([(0, 1), (1, 2), (2, 3)])
>>> predicted = node_classification.local_and_global_consistency(G)
>>> predicted
['A', 'A', 'B', 'B']

相关用法

注：本文由纯净天空筛选整理自networkx.org大神的英文原创作品 networkx.algorithms.node_classification.lgc.local_and_global_consistency。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。