معرفی شرکت ها

active-semi-supervised-clustering-0.0.1

Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
Card image cap
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
0.0.1
0.0.1

توضیحات

Active semi-supervised clustering algorithms for scikit-learn
ویژگی مقدار
سیستم عامل -
نام فایل active-semi-supervised-clustering-0.0.1
نام active-semi-supervised-clustering
نسخه کتابخانه 0.0.1
نگهدارنده []
ایمیل نگهدارنده []
نویسنده Jakub Svehla
ایمیل نویسنده jakub.svehla@datamole.cz
آدرس صفحه اصلی https://github.com/datamole-ai/active-semi-supervised-clustering
آدرس اینترنتی https://pypi.org/project/active-semi-supervised-clustering/
مجوز -
# active-semi-supervised-clustering Active semi-supervised clustering algorithms for scikit-learn. ## Algorithms ### Semi-supervised clustering * Seeded-KMeans * Constrainted-KMeans * COP-KMeans * Pairwise constrained K-Means (PCK-Means) * Metric K-Means (MK-Means) * Metric pairwise constrained K-Means (MPCK-Means) ### Active learning of pairwise clustering * Explore & Consolidate * Min-max * Normalized point-based uncertainty (NPU) method ## Installation ``` pip install active-semi-supervised-clustering ``` ## Usage ```python from sklearn import datasets, metrics from active_semi_clustering.semi_supervised.pairwise_constraints import PCKMeans from active_semi_clustering.active.pairwise_constraints import ExampleOracle, ExploreConsolidate, MinMax ``` ```python X, y = datasets.load_iris(return_X_y=True) ``` First, obtain some pairwise constraints from an oracle. ```python # TODO implement your own oracle that will, for example, query a domain expert via GUI or CLI oracle = ExampleOracle(y, max_queries_cnt=10) active_learner = MinMax(n_clusters=3) active_learner.fit(X, oracle=oracle) pairwise_constraints = active_learner.pairwise_constraints_ ``` Then, use the constraints to do the clustering. ```python clusterer = PCKMeans(n_clusters=3) clusterer.fit(X, ml=pairwise_constraints[0], cl=pairwise_constraints[1]) ``` Evaluate the clustering using Adjusted Rand Score. ```python metrics.adjusted_rand_score(y, clusterer.labels_) ```


نیازمندی

مقدار نام
- numpy
- scipy
- scikit-learn
>=0.4 metric-learn


نحوه نصب


نصب پکیج whl active-semi-supervised-clustering-0.0.1:

    pip install active-semi-supervised-clustering-0.0.1.whl


نصب پکیج tar.gz active-semi-supervised-clustering-0.0.1:

    pip install active-semi-supervised-clustering-0.0.1.tar.gz