二部图二元节点分类的快速分类器
SW-transformation的Python项目详细描述
软件转换
sw变换是二部图（Stankova et al., 2015）中二元节点分类的一种快速分类器。二分图（或双图）由具有两种类型的节点定义，使得边缘仅存在于不同类型的节点之间（参见图1）。
图1：双图，上节点投影和下节点投影（左），双图的邻接矩阵表示（右）（Stankova等人，2015，第8页）。
sw转换将加权投票关系邻居（wvrn）分类器与一个聚合函数相结合，该聚合函数求和顶级节点的权重。对于每一个测试实例，转换优化地只考虑相邻顶级节点的权重乘以该列中具有正标签（节点的正邻居）的训练实例的数量。sw转换产生非常快的运行时间，并允许将该方法轻松扩展到数百万节点的大数据集（Stankova等人，2015）。
安装
要求：numpy
pip install numpy
要在本地计算机上构建和安装，请下载并解压缩存储库并从中运行：
python setup.py install
或者您可以从pypi存储库自动下载并安装：
pip install SW-transformation
用法
sw变换可用于计算二部图中节点属于正类的概率。包括三个顶点权函数：简单权函数、反度函数和双曲正切函数。用户还可以使用自己的权重函数直接插入最上面的节点权重。
sw转换（权重函数='tanh'，权重=无）
参数
- weight_函数：“tanh”、“inverse”、“simple”或“own”（默认值为tanh）。 对于“own”，应以权重的形式提供顶部节点的权重
- 权重：数组状，形状（1，n_顶部节点）。包含顶部的向量 节点权重，其中n_top_nodes是顶部节点的数量。什么时候？ weight_函数设置为“own”，顶部节点权重应为 在这里提供。
示例
from sklearn.model_selection import GridSearchCV
import numpy as np
import SW
X = load_adjacency_matrix_here #sparse matrix
y = load_node_labels_here
custom = lambda X: np.ones((X.shape[1],)) # define custom weight function
sw = SW.SW_transformation()
parameters = {'weight_function':('tanh','inverse','simple',custom)}
clf = GridSearchCV(sw, parameters, cv=5, scoring = 'roc_auc', verbose=3)
clf.fit(X,y)
方法
- 拟合（x，y）-根据给定的训练数据拟合模型。
- 预测概率（x）-概率估计。
x：稀疏矩阵，shape（n_bottom_nodes，n_top_nodes）：邻接矩阵（见图1，右）
y：类数组，shape（n_bottom_nodes，1）：二进制类标签（0表示负数，1表示正数）
作者和贡献者
斯蒂恩·普拉特stiene.praet@uantwerp.be
许可证
这个项目是在麻省理工学院的许可下授权的-请参见LICENSE.md文件了解详细信息
致谢
根据Marija Stankova、David Martens和Foster教务长的工作
参考文献
Stankova，M.，Martens，D.，&Provost，F.（2015年）。二部图的投影分类。（研究论文/安特卫普大学。应用经济学学院；2015-001 D/2015/1169/001）。全文（开放存取）：https://repository.uantwerpen.be/docman/irua/07acff/c5909d64.pdf
欢迎加入QQ群-->： 979659372
