معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

A constrained KMeans algorithm.

ویژگی	مقدار
سیستم عامل	-
نام فایل	ConstrainedKMeans-1.2
نام	ConstrainedKMeans
نسخه کتابخانه	1.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Euxhen Hasanaj
ایمیل نویسنده	ehasanaj@cs.cmu.edu
آدرس صفحه اصلی	https://github.com/ferrocactus/ConstrainedKMeans
آدرس اینترنتی	https://pypi.org/project/ConstrainedKMeans/
مجوز	-

<h2>Constrained KMeans</h2> Modified version of KMeans algorithm that takes into account partial information about the data. Given a partial list of known labels `init_labels`, Constrained KMeans finds a cluster configuration that complies with `init_labels`. `init_labels` is the same length as x.shape[0], which is why a second array `can_change` masks out which labels should be marked as known and which labels can change. Formally, the output of the algorithm is an array `labels` such that `np.all((labels[can_change == 0] == init_labels[can_change == 0]))` is `True`. Can be installed via (requires Python>=3.7) ```bash pip install ConstrainedKMeans ``` Example basic usage: ```python import numpy as np from matplotlib import pyplot as plt from ConstrainedKMeans import ConstrainedKMeans as CKM def run_test(n_points): ckm = CKM(n_clusters=10) # Generate random dataset # For visualization purposes, initialize 2d data x = np.random.random((n_points, 2)) # Generate random labels init_labels = np.random.randint(0, 10, n_points) # Generate 0s with probability 0.2 # these shall mask the "known" labels can_change = np.random.binomial(2, 0.7, n_points) labels = ckm.fit_predict(x, can_change, init_labels) plt.scatter(x[:, 0], x[:, 1], c=labels) plt.show() if __name__ == '__main__': run_test(1000) ``` <img src="https://github.com/ferrocactus/ConstrainedKMeans/blob/master/images/example.png" style="zoom:72%;" />

نیازمندی

مقدار	نام
-	matplotlib
-	numpy
-	scipy

زبان مورد نیاز

مقدار	نام
>=3.7	Python

نحوه نصب

نصب پکیج whl ConstrainedKMeans-1.2:

pip install ConstrainedKMeans-1.2.whl

نصب پکیج tar.gz ConstrainedKMeans-1.2:

pip install ConstrainedKMeans-1.2.tar.gz