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

The breathing k-means algorithm

ویژگی	مقدار
سیستم عامل	-
نام فایل	bkmeans-1.2
نام	bkmeans
نسخه کتابخانه	1.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Bernd Fritzke
ایمیل نویسنده	fritzke@web.de
آدرس صفحه اصلی	https://github.com/gittar/bkmeans
آدرس اینترنتی	https://pypi.org/project/bkmeans/
مجوز	MIT

# The Breathing *K*-Means Algorithm An approximation algorithm for the *k*-means problem that (on average) is **better** (higher solution quality) and **faster** (lower CPU time usage) than ***k*-means++**. **Technical Report:** https://arxiv.org/abs/2006.15666 **Repo (with examples in Jupyter notebooks):** https://github.com/gittar/breathing-k-means ## API The included class **BKMeans** is subclassed from [scikit-learn's **KMeans** class](https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html) and has, therefore, **the same API**. It can be used as a plug-in replacement for scikit-learn's **KMeans**. There is one new parameter that can be ignored (left at default) for normal usage: * *m* (breathing depth), default: 5 The parameter *m* can also be used, however, to generate faster ( 1 < *m* < 5) or better (*m*>5) solutions. For details see the above technical report. ## Release Notes ### Version 1.2 * make use of the optional `sample_weight` parameter in `fit` method * (contributed by Björn Wiescholek) ### Version 1.1 * speed improvement by setting `n_init=1` by default * close centroids now defined by nearest neighbor criterion * parameter `theta` abolished ### Version 1.0 * (initial release) * "close centroids" were based on distance and a parameter *theta* ## Example 1: running on a simple random data set Code: ```python import numpy as np from bkmeans import BKMeans # generate random data set X=np.random.rand(1000,2) # create BKMeans instance bkm = BKMeans(n_clusters=100) # run the algorithm bkm.fit(X) # print SSE (inertia in scikit-learn terms) print(bkm.inertia_) ``` Output: ``` 1.1775040547902602 ``` ## Example 2: comparison with *k*-means++ (multiple runs) Code: ```python import numpy as np from sklearn.cluster import KMeans from bkmeans import BKMeans # random 2D data set X=np.random.rand(1000,2) # number of centroids k=100 for i in range(5): # kmeans++ kmp = KMeans(n_clusters=k) kmp.fit(X) # breathing k-means bkm = BKMeans(n_clusters=k) bkm.fit(X) # relative SSE improvement of bkm over km++ imp = 1 - bkm.inertia_/kmp.inertia_ print(f"SSE improvement over k-means++: {imp:.2%}") ``` Output: ``` SSE improvement over k-means++: 3.38% SSE improvement over k-means++: 4.16% SSE improvement over k-means++: 6.14% SSE improvement over k-means++: 6.79% SSE improvement over k-means++: 4.76% ```

نیازمندی

مقدار	نام
-	numpy
>=0.23.2	scikit-learn
-	scipy

زبان مورد نیاز

مقدار	نام
>=3.7.0	Python

نحوه نصب

نصب پکیج whl bkmeans-1.2:

pip install bkmeans-1.2.whl

نصب پکیج tar.gz bkmeans-1.2:

pip install bkmeans-1.2.tar.gz