Python sklearn SpectralCoclustering用法及代码示例

本文简要介绍python语言中 sklearn.cluster.SpectralCoclustering 的用法。

用法:

class sklearn.cluster.SpectralCoclustering(n_clusters=3, *, svd_method='randomized', n_svd_vecs=None, mini_batch=False, init='k-means++', n_init=10, random_state=None)

频谱Co-Clustering 算法(Dhillon，2001)。

对数组 X 的行和列进行聚类，以解决从 X 创建的二分图的松弛归一化切割，如下所示：行顶点 i 和列顶点 j 之间的边具有权重 X[i, j] 。

生成的双簇结构为block-diagonal，因为每一行和每一列都恰好属于一个双簇。

支持稀疏矩阵，只要它们是非负的。

在用户指南中阅读更多信息。

参数：

n_clusters：整数，默认=3

要查找的双簇数。

svd_method：{‘randomized’, ‘arpack’}，默认='随机'

选择用于查找奇异向量的算法。可能是‘randomized’或‘arpack’。如果‘randomized’，请使用 sklearn.utils.extmath.randomized_svd ，这对于大型矩阵可能更快。如果‘arpack’，请使用 scipy.sparse.linalg.svds ，这更准确，但在某些情况下可能会更慢。

n_svd_vecs：整数，默认=无

用于计算 SVD 的向量数。当svd_method=arpack 和n_oversamples 当svd_method 是“随机化”时对应于ncv。

mini_batch：布尔，默认=假

是否使用小批量k-means，速度更快但可能得到不同的结果。

init：{'k-means++'，‘random’，或形状的ndarray(n_clusters，n_features)，默认='k-means++'

k-means算法的初始化方法；默认为“k-means++”。

n_init：整数，默认=10

使用 k-means 算法尝试的随机初始化次数。

如果使用小批量k-means，则选择最佳初始化并且算法运行一次。否则，算法会针对每个初始化运行并选择最佳解决方案。

random_state：int，RandomState 实例，默认=无

用于随机化奇异值分解和k-means 初始化。使用int 来确定随机性。请参阅词汇表。

属性：

rows_：形状类似数组 (n_row_clusters, n_rows)

聚类结果。如果集群 i 包含行 r ，则 rows[i, r] 为 True。仅在调用 fit 后可用。

columns_：形状类似数组 (n_column_clusters, n_columns)

聚类结果，如 rows 。

row_labels_：形状类似数组 (n_rows,)

每行的双簇标签。

column_labels_：形状类似数组 (n_cols,)

每列的双簇标签。

biclusters_两个ndarrays的元组

将行和列指示器放在一起的便捷方式。

n_features_in_：int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

参考：

• Dhillon, Inderjit S, 2001。Co-clustering 使用二分谱图分区的文档和单词.

例子：

>>> from sklearn.cluster import SpectralCoclustering
>>> import numpy as np
>>> X = np.array([[1, 1], [2, 1], [1, 0],
...               [4, 7], [3, 5], [3, 6]])
>>> clustering = SpectralCoclustering(n_clusters=2, random_state=0).fit(X)
>>> clustering.row_labels_ 
array([0, 1, 1, 0, 0, 0], dtype=int32)
>>> clustering.column_labels_ 
array([0, 0], dtype=int32)
>>> clustering
SpectralCoclustering(n_clusters=2, random_state=0)