Примечание
Перейти к концу, чтобы загрузить весь пример кода. или запустить этот пример в браузере через JupyterLite или Binder
Демонстрация алгоритма спектрального биклостерирования
В этом примере показано, как сгенерировать набор данных с шахматной доской и выполнить биклостеризацию с помощью алгоритма SpectralBiclustering. Алгоритм спектрального биклостерирования специально разработан для кластеризации данных, одновременно учитывая строки (образцы) и столбцы (признаки) матрицы. Он стремится выявить закономерности не только между образцами, но и внутри подмножеств образцов, что позволяет обнаруживать локальную структуру в данных. Это делает спектральное биклостерирование особенно подходящим для наборов данных, где порядок или расположение признаков фиксированы, например, в изображениях, временных рядах или геномах.
Данные генерируются, затем перемешиваются и передаются алгоритму спектрального биклостерирования. Затем строки и столбцы перемешанной матрицы переупорядочиваются для построения найденных биклостеров.
# Authors: The scikit-learn developers # SPDX-License-Identifier: BSD-3-Clause
Генерация примера данных
Мы генерируем пример данных с помощью функции make_checkerboard. Каждый пиксель внутри shape=(300, 300) представляет с помощью своего цвета значение из равномерного распределения. Шум добавляется из нормального распределения, где значение, выбранное для noise , является стандартным отклонением.
Как видите, данные распределены по 12 ячейкам кластеров и относительно хорошо различимы.
from matplotlib import pyplot as plt
from sklearn.datasets import make_checkerboard
n_clusters = (4, 3)
data, rows, columns = make_checkerboard(
shape=(300, 300), n_clusters=n_clusters, noise=10, shuffle=False, random_state=42
)
plt.matshow(data, cmap=plt.cm.Blues)
plt.title("Original dataset")
_ = plt.show()
Мы перемешиваем данные, а цель состоит в том, чтобы восстановить их позже с помощью SpectralBiclustering.
import numpy as np # Creating lists of shuffled row and column indices rng = np.random.RandomState(0) row_idx_shuffled = rng.permutation(data.shape[0]) col_idx_shuffled = rng.permutation(data.shape[1])
Мы переопределяем перемешанные данные и строим их. Мы наблюдаем, что мы потеряли структуру исходной матрицы данных.
data = data[row_idx_shuffled][:, col_idx_shuffled]
plt.matshow(data, cmap=plt.cm.Blues)
plt.title("Shuffled dataset")
_ = plt.show()
Подгонка SpectralBiclustering
Мы подгоняем модель и сравниваем полученные кластеры с истинным значением. Обратите внимание, что при создании модели мы указываем то же количество кластеров, что и при создании набора данных (n_clusters = (4, 3)), что будет способствовать получению хорошего результата.
from sklearn.cluster import SpectralBiclustering
from sklearn.metrics import consensus_score
model = SpectralBiclustering(n_clusters=n_clusters, method="log", random_state=0)
model.fit(data)
# Compute the similarity of two sets of biclusters
score = consensus_score(
model.biclusters_, (rows[:, row_idx_shuffled], columns[:, col_idx_shuffled])
)
print(f"consensus score: {score:.1f}")
consensus score: 1.0
Оценка находится в диапазоне от 0 до 1, где 1 соответствует идеально совпадению. Она показывает качество биклостеризации.
Построение результатов
Теперь мы переупорядочиваем данные на основе меток строк и столбцов, назначенных моделью SpectralBiclustering в порядке возрастания и строим снова. Значения row_labels_ изменяются от 0 до 3, а значения column_labels_ изменяются от 0 до 2, представляя в общей сложности 4 кластера на строку и 3 кластера на столбец.
# Reordering first the rows and then the columns.
reordered_rows = data[np.argsort(model.row_labels_)]
reordered_data = reordered_rows[:, np.argsort(model.column_labels_)]
plt.matshow(reordered_data, cmap=plt.cm.Blues)
plt.title("After biclustering; rearranged to show biclusters")
_ = plt.show()
В качестве последнего шага мы хотим продемонстрировать взаимосвязи между метками строк и столбцов, назначенными моделью. Поэтому мы создаем сетку с помощью numpy.outer, которая берет отсортированные row_labels_ и column_labels_ и добавляет 1 к каждому, чтобы гарантировать, что метки начинаются с 1, а не с 0, для лучшей визуализации.
plt.matshow(
np.outer(np.sort(model.row_labels_) + 1, np.sort(model.column_labels_) + 1),
cmap=plt.cm.Blues,
)
plt.title("Checkerboard structure of rearranged data")
plt.show()
Внешнее произведение векторов меток строк и столбцов демонстрирует представление структуры шахматной доски, где различные комбинации меток строк и столбцов представлены различными оттенками синего.
Общее время выполнения скрипта: (0 минут 0,509 секунд)
Связанные примеры
© 2007–2025 The scikit-learn developers
Licensed under the 3-clause BSD License.
https://scikit-learn.org/1.6/auto_examples/bicluster/plot_spectral_biclustering.html
