一份为KREpresentives和LSHK代表准备的套餐
krepresentatives的Python项目详细描述
用于聚类分类数据的k-Representatives和LSH-k-Representatives算法的Python实现：
与k-模式算法不同，k-代表和LSH-k-代表定义了保持聚类所有分类值频率的“代表”。在
安装：
使用pip:
pip install krepresentatives
导入包：
^{pr2}$生成一个简单的分类数据集：
X= np.array([[0,0],[0,1],[0,0],[1,1],[2,2],[2,3],[2,3]])y= np.array([0,0,0,0,1,1,1])
k代表：
kreps= kRepresentatives(X,y,n_init=5,n_clusters=2 ,verbose=3) kreps.fit_predict()
内置评估指标：
kreps.CalcScore()输出：
kRepresentatives Init 0 Iter 0 Cost: 8.00 Move: 0 Num empty: 0 Timelapse: 0.00 Iter 1 Cost: 4.83 Move: 0 Num empty: 0 Timelapse: 0.00 Iter 2 Cost: 4.83 Move: 0 Num empty: 0 Timelapse: 0.00 kRepresentatives Init 1 Iter 0 Cost: 9.48 Move: 0 Num empty: 0 Timelapse: 0.00 Iter 1 Cost: 6.50 Move: 1 Num empty: 0 Timelapse: 0.00 Iter 2 Cost: 5.33 Move: 0 Num empty: 0 Timelapse: 0.00 Iter 3 Cost: 5.33 Move: 0 Num empty: 0 Timelapse: 0.00 kRepresentatives Init 2 Iter 0 Cost: 9.08 Move: 0 Num empty: 0 Timelapse: 0.00 Iter 1 Cost: 7.60 Move: 0 Num empty: 0 Timelapse: 0.00 Iter 2 Cost: 7.60 Move: 0 Num empty: 0 Timelapse: 0.00 kRepresentatives Init 3 Iter 0 Cost: 9.31 Move: 0 Num empty: 0 Timelapse: 0.00 Iter 1 Cost: 6.50 Move: 1 Num empty: 0 Timelapse: 0.00 Iter 2 Cost: 5.33 Move: 0 Num empty: 0 Timelapse: 0.00 Iter 3 Cost: 5.33 Move: 0 Num empty: 0 Timelapse: 0.00 kRepresentatives Init 4 Iter 0 Cost: 9.42 Move: 0 Num empty: 0 Timelapse: 0.00 Iter 1 Cost: 7.60 Move: 0 Num empty: 0 Timelapse: 0.00 Iter 2 Cost: 7.60 Move: 0 Num empty: 0 Timelapse: 0.00 Score: 4.833333333333334 Time: 0.0015569399999999956 Purity: 1.00 NMI: 1.00 ARI: 1.00 Sil: 0.52 Acc: 1.00 Recall: 1.00 Precision: 1.00
参数：
X：分类数据集
y： 对象标签（仅供评估）
n_init：初始化次数
n_clusters:目标簇数
最大迭代次数：最大迭代次数
冗长：
随机状态：
输出：
集群代表：最终代表名单
标签：预测标签
成本：物体到质心的距离平方和
迭代次数
epoch_costs_u：初始化的平均时间
LSH-k-代表：待更新
参考文献：
[1]San，Ohn Mar，Van Nam Huynh和Yoshiteru Nakamori。”分类数据聚类k-means算法的另一种扩展〉，《国际应用数学和计算机科学杂志》14（2004）：241-247。 [2] 待更新
- 项目
标签：
欢迎加入QQ群-->： 979659372
