معرفی شرکت ها

fkcenters-1.0.3

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
1.0.3

توضیحات

A python package for Fuzzy-k-Centers algorithm
ویژگی مقدار
سیستم عامل -
نام فایل fkcenters-1.0.3
نام fkcenters
نسخه کتابخانه 1.0.3
نگهدارنده []
ایمیل نگهدارنده []
نویسنده nmtoan91
ایمیل نویسنده toan_stt@yahoo.com
آدرس صفحه اصلی https://github.com/nmtoan91/fkcenters
آدرس اینترنتی https://pypi.org/project/fkcenters/
مجوز -
Python implementations of the FuzzykCenters algorithms for fuzzy clustering categorical data: ## Installation: ### Using pip: ```shell pip install fkcenters ``` ### Import the packages: ```shell from FkCenters.FkCenters import FkCenters from FkCenters import TDef import numpy as np ``` ### Generate a simple categorical dataset: ```shell X = np.array([[0,0,0],[0,1,1],[0,0,0],[1,0,1],[2,2,2],[2,3,2],[2,3,2]]) y = np.array([0,0,0,0,1,1,1]) ``` ### LSHk-Representatives (Init): ```shell algo = FkCenters(X,y ,k=TDef.k, alpha=TDef.alpha) algo.SetupMeasure("Overlap") algo.DoCluster() algo.CalcScore() ``` ### Built-in evaluattion metrics: ```shell algo.CalcFuzzyScore() ``` ### Outcome: ```shell SKIP LOADING distMatrix because: True bd=None yellow Saving Overlap to: saved_dist_matrices/json/Overlap_None.json Purity: 1.00 NMI: 1.00 ARI: 1.00 Sil: 0.59 Acc: 1.00 Recall: 1.00 Precision: 1.00 Fuzzy scores PC:1.00 NPC:1.00 FHV↓:0.02 FS↓:-2000.00 XB↓:0.11 BH↓:0.06 BWS:-2000.00 FPC:3.50 SIL_R:0.70 FSIL:0.70 MPO:12.15 NPE:0.01 PE:0.01 PEB:0.01 ``` ## Parameters: X: Categorical dataset\ y: Labels of object (for evaluation only)\ n_init: Number of initializations \ n_clusters: Number of target clusters\ max_iter: Maximum iterations\ verbose: \ random_state: If the variable MeasureManager.IS_LOAD_AUTO is set to "True": The DILCA will get the pre-caculated matrix ## Outputs: cluster_representatives: List of final representatives\ labels_: Prediction labels\ u: Fuzzy membership cost_: Final sum of squared distance from objects to their centroids\ n_iter_: Number of iterations ## References: T. N. Mau and V. -N. Huynh, ``Kernel-Based k-Representatives Algorithm for Fuzzy Clustering of Categorical Data," 2021 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), 2021, pp. 1-6, doi: 10.1109/FUZZ45933.2021.9494597.


زبان مورد نیاز

مقدار نام
>=3.6 Python


نحوه نصب


نصب پکیج whl fkcenters-1.0.3:

    pip install fkcenters-1.0.3.whl


نصب پکیج tar.gz fkcenters-1.0.3:

    pip install fkcenters-1.0.3.tar.gz