Icics 0.4.3

简介

首先简单描述算法的过程：

1. 首先，定义目标法律“偏好”案例（例如，法律以高回收率操作案例，并在案例中考虑法律“偏好”）
2. 准备分配的随机中断案例序列（该操作主要削弱了算法使用的缺点）
3. 聚类算法是针对目标法律“偏好”案例进行的，它将相似的案例集合在一起。并记录每个集群的中心数和每个集群中的案例数
4. 计算每个案例与目标法则之间的相似度，将案例分配给一个高相似度的聚类，并记录相似度。
5. 每一类案件的相似性，选择在每一类案件中具有高度相似性的$K（n_i/n）$作为待分配案件的法律案件的对象（其中$K$表示案件为家庭的法律案件的分配，$N_i$表示目标是在每一类案件中“喜欢”案件的数量，$N$表示所有法律历史的目标“喜欢”产品的数量）
6. 删除法律对象和法律对象指定的案件，并执行下一个目标案件的指定。

更多的细节你可以在你的设备中点击这个包，还有更多关于ICIC的信息。

演示

import numpy as np
import pandas as pd

from  sklearn.cluster import KMeans
from sklearn.cross_validation import StratifiedKFold

import random
import matplotlib.pyplot as plt

import seaborn as sns

from icics import *

#test the model

train = pd.read_csv(u"C:/Users/Administrator.USER-20170417DX/Desktop/test1.csv")
df = train.copy()

dfold0 = train.iloc[range(1000)]
df0 = train.iloc[range(1000,2000)].drop('ywy0',axis=1)

topn0 = pd.DataFrame({'ywy0':np.unique(dfold0.ywy0),'topn_ywy':
     [30,50,40,40,40,40,40,40,40,40,40,40,40,40,40,40,40,40,40,40,40,40,40,20,60]})

bhywy0 = pd.DataFrame({'ywy0':dfold0.ywy0})

icic(dfold0,df0,topn0,bhywy0,ncluster=2,shuffle=1,epsilon=0.001,init='k-means++',random_state=123,max_iter=1000,algorithm="auto",path=0)

然后您可以使用acc平均值的方法来训练超参数：

#train the model

train = pd.read_excel(u"C:/Users/Administrator.USER-20170417DX/Desktop/test2.xlsx")

bhywy = pd.DataFrame({'ywy0':train.ywy0})
topn = pd.DataFrame({'ywy0':['cc12','cd17'],'topn_ywy':[30,40]})

pre_mean=[]
for j in np.arange(1,15):
    means = acc_mean(train,bhywy,topn,j)
    pre_mean.append(means)

precies = pd.DataFrame({'ncluster' : np.arange(1,15),'acc_mean' : pre_mean})


plt.figure(1,figsize=(14,14))

with sns.axes_style("ticks"):
    plt.title('The acc_mean of the icics-model')
    sns.pointplot(x='ncluster',y='acc_mean',data=precies)
    plt.xlabel('Number of Cluster')
    plt.ylabel('Mean of accuracy')
plt.show()

结果如下：

这些演示代码csan不适用于新版本>；=3.4.3，您应该在包中看到帮助文档， 你也可以在https://icics-doc.readthedocs.io/en/latest/

支持

在Python2.7、3.5、3.6上测试

• pip安装icics
• 下载：https://pypi.python.org/pypi/Icics
• 文档：https://github.com/DataXujing/Icics

您可以登录徐静的主页：https://dataxujing.coding.me或https://dataxujing.github.io了解更多信息。