معرفی شرکت ها
ensembleclustering-1.0.2
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 بیشترتوضیحات
A Python package for cluster ensembles
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | ensembleclustering-1.0.2 |
| نام | ensembleclustering |
| نسخه کتابخانه | 1.0.2 |
| نگهدارنده | ['burtonrj'] |
| ایمیل نگهدارنده | ['burtonrj@cardiff.ac.uk'] |
| نویسنده | Takehiro Sano |
| ایمیل نویسنده | tsano430@gmail.com |
| آدرس صفحه اصلی | https://github.com/burtonrj/ClusterEnsembles |
| آدرس اینترنتی | https://pypi.org/project/ensembleclustering/ |
| مجوز | MIT |
# ClusterEnsembles
[](https://pypi.org/project/ClusterEnsembles/)
[](https://opensource.org/licenses/MIT)
[](https://pypi.org/project/ClusterEnsembles/)
[]()
A Python package for cluster ensembles. Cluster ensembles generate a single consensus clustering label by using base labels obtained from multiple clustering algorithms. The consensus clustering label stably achieves a high clustering performance.
This package was originally authored by Takehiro Sano but has since been removed from PyPi.
This a cloned version I am maintaining. All original code and functionality is unchanged, it is just maintained, tested, and published from here.
<p align="center">
<img width="600" src="https://user-images.githubusercontent.com/60049342/115107122-deb7b880-9fa3-11eb-98d6-9d1d25bf3ae8.png">
</p>
Installation
------------
```
pip install ensembleclustering
```
Usage
-----
`CE.cluster_ensembles` is used as follows.
```python
>> > import numpy as np
>> > import ensembleclustering as CE
>> > label1 = np.array([1, 1, 1, 2, 2, 3, 3])
>> > label2 = np.array([2, 2, 2, 3, 3, 1, 1])
>> > label3 = np.array([4, 4, 2, 2, 3, 3, 3])
>> > label4 = np.array([1, 2, np.nan, 1, 2, np.nan, np.nan]) # `np.nan`: missing value
>> > labels = np.array([label1, label2, label3, label4])
>> > label_ce = CE.cluster_ensembles(labels)
>> > print(label_ce)
[1 1 1 2 2 0 0]
```
#### Parameters
- `labels`: *numpy.ndarray*
Labels generated by multiple clustering algorithms such as K-Means.
**Note:** Assume that the length of each label is the same.
- `nclass`: *int, default=None*
Number of classes in a consensus clustering label.
If `nclass=None`, set the maximum number of classes in each label except missing values.
In other words, set `nclass=3` automatically in the above.
- `solver`: *{'cspa', 'hgpa', 'mcla', 'hbgf', 'nmf', 'all'}, default='hbgf'*
'cspa': Cluster-based Similarity Partitioning Algorithm [1].
'hgpa': HyperGraph Partitioning Algorithm [1].
'mcla': Meta-CLustering Algorithm [1].
'hbgf': Hybrid Bipartite Graph Formulation [2].
'nmf': NMF-based consensus clustering [3].
'all': The consensus clustering label with the largest objective function value [1] is returned among the results of all solvers.
<p align="center">
<img width="600" src="https://user-images.githubusercontent.com/60049342/116185712-20dbb980-a75d-11eb-87cb-ae0e68179674.png">
</p>
**Note:** Please use 'hbgf' for large-scale `labels`.
- `random_state`: *int, default=None*
Used for 'hgpa', 'mcla', and 'nmf'. Please pass an integer for reproducible results.
- `verbose`: *bool, default=False*
Whether to be verbose.
#### Return
- `label_ce`: *numpy.ndarray*
A consensus clustering label generated by cluster ensembles.
Example
-------
`tsano430/egnmf`: https://github.com/tsano430/egnmf
Similar Package
---------------
`GGiecold/Cluster_Ensembles`: https://github.com/GGiecold/Cluster_Ensembles
References
----------
[1] A. Strehl and J. Ghosh,
"Cluster ensembles -- a knowledge reuse framework for combining multiple partitions,"
Journal of Machine Learning Research, vol. 3, pp. 583-617, 2002.
[2] X. Z. Fern and C. E. Brodley,
"Solving cluster ensemble problems by bipartite graph partitioning,"
In Proceedings of the Twenty-First International Conference on Machine Learning, p. 36, 2004.
[3] T. Li, C. Ding, and M. I. Jordan,
"Solving consensus and semi-supervised clustering problems using nonnegative matrix factorization,"
In Proceedings of the Seventh IEEE International Conference on Data Mining, pp. 577-582, 2007.
[4] J. Ghosh and A. Acharya,
"Cluster ensembles,"
Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, vol. 1, no. 4, pp. 305-315, 2011.
نیازمندی
| مقدار | نام |
|---|---|
| >=1.19.5,<2.0.0 | numpy |
| >=1.5.0,<2.0.0 | scipy |
| ==2020.1 | pymetis |
| >=1.0.1,<1.1.0 | scikit-learn |
| >=1.1.8,<2.0.0 | kahypar |
| >=7.1.2,<8.0.0 | pytest |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.8,<4.0 | Python |
نحوه نصب
نصب پکیج whl ensembleclustering-1.0.2:
pip install ensembleclustering-1.0.2.whl
نصب پکیج tar.gz ensembleclustering-1.0.2:
pip install ensembleclustering-1.0.2.tar.gz