當前位置: 首頁>>代碼示例 >>用法及示例精選 >>正文

Python NetworkX local_and_global_consistency用法及代碼示例


本文簡要介紹 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類的節點

參數：

G：NetworkX 圖表
alpha：浮點數

鉗位係數

max_iter：int

允許的最大迭代次數

label_name：string

要預測的目標標簽的名稱

返回：

predicted：列表

長度列表 len(G) 以及每個節點的預測標簽。

拋出：

NetworkXError

如果 G 中沒有節點具有屬性 label_name 。

參考：

Zhou, D.、Bousquet, O.、Lal, T. N.、Weston, J. 和 Schölkopf, B. (2004)。以本地和全局的一致性學習。神經信息處理係統的進展，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']

相關用法


注：本文由純淨天空篩選整理自networkx.org大神的英文原創作品 networkx.algorithms.node_classification.lgc.local_and_global_consistency。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。