SpectralBiclustering

classsklearn.cluster.SpectralBiclustering(n_clusters=3, *, method='bistochastic', n_components=6, n_best=3, svd_method='randomized', n_svd_vecs=None, mini_batch=False, init='k-means++', n_init=10, random_state=None)[исходный код]

Спектральная бикластеризация (Kluger, 2003) [1].

Разбивает строки и столбцы, исходя из предположения, что данные имеют внутреннюю структуру в виде шахматной доски. Например, если есть два разбиения строк и три разбиения столбцов, каждая строка будет принадлежать трём бикластерам, а каждый столбец — двум бикластерам. Внешнее произведение соответствующих векторов меток строк и столбцов задаёт эту структуру в виде шахматной доски.

Подробнее см. в руководстве пользователя.

Параметры:

n_clustersint or tuple (n_row_clusters, n_column_clusters), default=3

Количество кластеров строк и столбцов в структуре в виде шахматной доски.

method{‘bistochastic’, ‘scale’, ‘log’}, default=’bistochastic’

Метод нормализации и преобразования сингулярных векторов в бикластеры. Может быть одним из следующих: ‘scale’, ‘bistochastic’ или ‘log’. Авторы рекомендуют использовать ‘log’. Однако, если данные разреженные, логарифмическая нормализация не будет работать, поэтому по умолчанию используется ‘bistochastic’.

Предупреждение

если method='log', данные не должны быть разреженными.

n_componentsint, default=6

Количество проверяемых сингулярных векторов.

n_bestint, default=3

Количество лучших сингулярных векторов, на которые проецируются данные для кластеризации.

svd_method{‘randomized’, ‘arpack’}, default=’randomized’

Выбирает алгоритм поиска сингулярных векторов. Может быть ‘randomized’ или ‘arpack’. При значении ‘randomized’ используется randomized_svd, который может быть быстрее для больших матриц. При значении ‘arpack’ используется scipy.sparse.linalg.svds — он точнее, но в некоторых случаях может работать медленнее.

n_svd_vecsint, default=None

Количество векторов, используемых при вычислении SVD. Соответствует ncv, когда svd_method=arpack, и n_oversamples, когда svd_method имеет значение ‘randomized`.

mini_batchbool, default=False

Использовать ли k-средних с мини-пакетами: этот метод быстрее, но может давать другие результаты.

init{‘k-means++’, ‘random’} or ndarray of shape (n_clusters, n_features), default=’k-means++’

Метод инициализации алгоритма k-средних; по умолчанию используется ‘k-means++’.

n_initint, default=10

Количество случайных инициализаций, выполняемых алгоритмом k-средних.

Если используется k-средних с мини-пакетами, выбирается наилучшая инициализация, и алгоритм выполняется один раз. В противном случае алгоритм запускается для каждой инициализации, после чего выбирается наилучшее решение.

random_stateint, RandomState instance, default=None

Используется для рандомизации сингулярного разложения и инициализации k-средних. Передайте целое число, чтобы обеспечить детерминированность случайных операций. См. глоссарий.

Атрибуты:

rows_array-like of shape (n_row_clusters, n_rows)

Результаты кластеризации. rows[i, r] равно True, если кластер i содержит строку r. Доступно только после вызова fit.

columns_array-like of shape (n_column_clusters, n_columns)

Результаты кластеризации, аналогично rows.

row_labels_array-like of shape (n_rows,)

Метки разбиения строк.

column_labels_array-like of shape (n_cols,)

Метки разбиения столбцов.

biclusters_tuple of two ndarrays

Удобный способ получить индикаторы строк и столбцов вместе.

n_features_in_int

Количество признаков, обнаруженных при вызове fit.

Добавлено в версии 0.24.

feature_names_in_ndarray of shape (n_features_in_,)

Названия признаков, обнаруженные при вызове fit. Определяется только в том случае, если X содержит названия признаков, представленные строками.

Добавлено в версии 1.0.

См. также

SpectralCoclustering

Кластеризует строки и столбцы массива X для решения задачи релаксированного нормализованного разреза двудольного графа, построенного на основе X.

Список литературы

[1]

Kluger, Yuval и др., 2003. Спектральная бикластеризация данных микрочипов: совместная кластеризация генов и условий.

Примеры

>>> from sklearn.cluster import SpectralBiclustering
>>> import numpy as np
>>> X = np.array([[1, 1], [2, 1], [1, 0],
...               [4, 7], [3, 5], [3, 6]])
>>> clustering = SpectralBiclustering(n_clusters=2, random_state=0).fit(X)
>>> clustering.row_labels_
array([1, 1, 1, 0, 0, 0], dtype=int32)
>>> clustering.column_labels_
array([1, 0], dtype=int32)
>>> clustering
SpectralBiclustering(n_clusters=2, random_state=0)

Подробный пример см. в разделе Демонстрация алгоритма спектральной бикластеризации

fit(X, y=None)[исходный код]

Создаёт бикластеризацию для X.

Параметры:

Xarray-like of shape (n_samples, n_features)

Обучающие данные.

yIgnored

Не используется; присутствует для соответствия соглашениям API.

Возвращает:

selfobject

Экземпляр SpectralBiclustering.

get_indices(i)[исходный код]

Индексы строк и столбцов i-го бикластера.

Работает только при наличии атрибутов rows_ и columns_.

Параметры:

iint

Индекс кластера.

Возвращает:

row_indndarray, dtype=np.intp

Индексы строк набора данных, принадлежащих бикластеру.

col_indndarray, dtype=np.intp

Индексы столбцов набора данных, принадлежащих бикластеру.

get_metadata_routing()[исходный код]

Получает маршрутизацию метаданных этого объекта.

Сведения о работе механизма маршрутизации см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий сведения о маршрутизации.

get_params(deep=True)[исходный код]

Получает параметры этого оценивателя.

Параметры:

deepbool, default=True

Если значение True, возвращает параметры этого оценивателя и содержащихся в нём объектов-оценивателей.

Возвращает:

paramsdict

Имена параметров и соответствующие им значения.

get_shape(i)[исходный код]

Форма i-го бикластера.

Параметры:

iint

Индекс кластера.

Возвращает:

n_rowsint

Количество строк в бикластере.

n_colsint

Количество столбцов в бикластере.

get_submatrix(i, data)[исходный код]

Возвращает подматрицу, соответствующую бикластеру i.

Параметры:

iint

Индекс кластера.

dataarray-like of shape (n_samples, n_features)

Данные.

Возвращает:

submatrixndarray of shape (n_rows, n_cols)

Подматрица, соответствующая бикластеру i.

Примечания

Работает с разреженными матрицами. Работает только при наличии атрибутов rows_ и columns_.

set_params(**params)[исходный код]

Задаёт параметры этого оценивателя.

Метод работает как с простыми оценивателями, так и с вложенными объектами (например, Pipeline). Параметры последних имеют вид <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценивателя.

Возвращает:

selfestimator instance

Экземпляр оценивателя.

Примеры из галереи

Демонстрация алгоритма спектральной бикластеризации