Python sklearn SpectralCoclustering用法及代碼示例

本文簡要介紹python語言中 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)

頻譜Co-Clustering 算法(Dhillon，2001)。

對數組 X 的行和列進行聚類，以解決從 X 創建的二分圖的鬆弛歸一化切割，如下所示：行頂點 i 和列頂點 j 之間的邊具有權重 X[i, j] 。

生成的雙簇結構為block-diagonal，因為每一行和每一列都恰好屬於一個雙簇。

支持稀疏矩陣，隻要它們是非負的。

在用戶指南中閱讀更多信息。

參數：

n_clusters：整數，默認=3

要查找的雙簇數。

svd_method：{‘randomized’, ‘arpack’}，默認='隨機'

選擇用於查找奇異向量的算法。可能是‘randomized’或‘arpack’。如果‘randomized’，請使用 sklearn.utils.extmath.randomized_svd ，這對於大型矩陣可能更快。如果‘arpack’，請使用 scipy.sparse.linalg.svds ，這更準確，但在某些情況下可能會更慢。

n_svd_vecs：整數，默認=無

用於計算 SVD 的向量數。當svd_method=arpack 和n_oversamples 當svd_method 是“隨機化”時對應於ncv。

mini_batch：布爾，默認=假

是否使用小批量k-means，速度更快但可能得到不同的結果。

init：{'k-means++'，‘random’，或形狀的ndarray(n_clusters，n_features)，默認='k-means++'

k-means算法的初始化方法；默認為“k-means++”。

n_init：整數，默認=10

使用 k-means 算法嘗試的隨機初始化次數。

如果使用小批量k-means，則選擇最佳初始化並且算法運行一次。否則，算法會針對每個初始化運行並選擇最佳解決方案。

random_state：int，RandomState 實例，默認=無

用於隨機化奇異值分解和k-means 初始化。使用int 來確定隨機性。請參閱詞匯表。

屬性：

rows_：形狀類似數組 (n_row_clusters, n_rows)

聚類結果。如果集群 i 包含行 r ，則 rows[i, r] 為 True。僅在調用 fit 後可用。

columns_：形狀類似數組 (n_column_clusters, n_columns)

聚類結果，如 rows 。

row_labels_：形狀類似數組 (n_rows,)

每行的雙簇標簽。

column_labels_：形狀類似數組 (n_cols,)

每列的雙簇標簽。

biclusters_兩個ndarrays的元組

將行和列指示器放在一起的便捷方式。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

參考：

• Dhillon, Inderjit S, 2001。Co-clustering 使用二分譜圖分區的文檔和單詞.

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)