贝叶斯割方法的一种实现
bayesian-cut的Python项目详细描述
bayesian cut python包为bayesian网络的直接应用提供了一个易于使用的api 基于gibbs抽样的度修正随机全贝叶斯推理框架的割集 块模型（dc-sbm）或贝叶斯割（bc）。 此外，还提供了基于模块化、比率切割和范数切割的谱网络切割方法。 它还提供了一个丰富的可视化库，可以方便地分析后验解决方案景观和网络 通过各种方法得到的切割。
Jupyter笔记本电脑上有如何使用该软件包的示例，请访问 https://github.com/DTUComputeCognitiveSystems/bayesian_cut/tree/master/examples
安装
- 使用以下命令安装python3的包。一些 依赖项可能需要升级（scikit learn、numpy和 scipy）。$ pip install bayesian_cut
- 现在您可以通过键入from bayesian_cut.cuts import Model
快速启动
使用bayesian_-cut包执行图切割
# Load the packagefrombayesian_cut.data.loadimportload_datafrombayesian_cut.cuts.bayesian_modelsimportModel# Load an example networknetwork_name='karate'X,Y=load_data(network=network_name,labels=True,remove_disconnected=True)# Set the parameters for the modeln_samples_per_chain=75n_chains=15C=2model_params={'alpha_in':1e-2,'beta_in':1e-2,'alpha_out':1e-2,'beta_out':1e-2,'b':1,'gamma':3}# Define the modelBC=Model('ShiftedApproximateBayesianCommunityDetection',X,model_params,Y=Y,C=C,block_sampling=False,marginalize_phi=True)# Add the number of chains to runBC.add_chains(number_of_chains=n_chains)# Run the Gibbs samplerBC.run_chains(n_samples=n_samples_per_chain,n_prior_updates=20,verbose=2,save_all_samples=False,parallel=True)# Obtain the cut with the highest log-likelihoodgraph_cut_z_vector=BC.get_best_chain().max_log_lik_z_# Plot the cut as an adjacency matrixfrombayesian_cut.utilsimportutilsutils.cluster_plot(BC)# Done
欢迎加入QQ群-->： 979659372
