Спектральное бикластерирование

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)[source]

Спектральное биклостеринг (Kluger, 2003).

Разделяет строки и столбцы при предположении, что данные имеют скрытую структуру «шашечной доски». Например, если есть два раздела строк и три раздела столбцов, каждая строка будет принадлежать трём биклостерам, а каждый столбец — двум биклостерам. Внешнее произведение соответствующих векторов меток строк и столбцов даёт эту структуру «шашечной доски».

Подробнее см. в Руководстве пользователя.

Параметры:

n_clustersint или кортеж (n_row_clusters, n_column_clusters), по умолчанию=3

Количество кластеров строк и столбцов в структуре «шашечной доски».

method{‘bistochastic’, ‘scale’, ‘log’}, по умолчанию=’bistochastic’

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

Предупреждение

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

n_componentsint, по умолчанию=6

Количество сингулярных векторов для проверки.

n_bestint, по умолчанию=3

Количество лучших сингулярных векторов, к которым необходимо спроецировать данные для кластеризации.

svd_method{‘randomized’, ‘arpack’}, по умолчанию=’randomized’

Выбирает алгоритм для нахождения сингулярных векторов. Может быть ‘randomized’ или ‘arpack’. Если ‘randomized’, используется randomized_svd, который может быть быстрее для больших матриц. Если ‘arpack’, используется scipy.sparse.linalg.svds, что более точно, но возможно медленнее в некоторых случаях.

n_svd_vecsint, по умолчанию=None

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

mini_batchbool, по умолчанию=False

Использовать ли мини-пакетные k-средних, что быстрее, но может давать разные результаты.

init{‘k-means++’, ‘random’} или массив numpy формы (n_clusters, n_features), по умолчанию=’k-means++’

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

n_initint, по умолчанию=10

Количество случайных инициализаций, которые пробуются с алгоритмом k-средних.

Если используется мини-пакетный k-средних, выбирается лучшая инициализация, и алгоритм выполняется один раз. В противном случае алгоритм выполняется для каждой инициализации, и выбирается лучшее решение.

random_stateint, экземпляр RandomState, по умолчанию=None

Используется для случайного разбиения сингулярного разложения и инициализации k-средних. Используйте целое число, чтобы сделать случайность детерминированной. См. Словарь.

Атрибуты:

rows_массив-подобный формы (n_row_clusters, n_rows)

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

columns_массив-подобный формы (n_column_clusters, n_columns)

Результаты кластеризации, как и rows.

row_labels_массив-подобный формы (n_rows,)

Метки разбиения строк.

column_labels_массив-подобный формы (n_cols,)

Метки разбиения столбцов.

biclusters_кортеж из двух массивов numpy

Удобный способ получить вместе указатели строк и столбцов.

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлен в версии 0.24.

feature_names_in_массив numpy формы (n_features_in_,)

Названия признаков, увиденные во время fit. Определяется только когда X имеет имена признаков, которые являются строками.

Добавлен в версии 1.0.

См. также

SpectralCoclustering

Алгоритм спектрального совместного кластерирования (Dhillon, 2001).

Ссылки

• Kluger, Yuval, et. al., 2003. Спектральное биклостеринг данных микрочипов: совместное кластерирование 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)

Для более подробного примера см. Демонстрация алгоритма спектрального биклостеринга

propertybiclusters_

Удобный способ получить вместе указатели строк и столбцов.

Возвращает rows_ и columns_ члены.

fit(X, y=None)[source]

Создаёт биклостеринг для X.

Параметры:

Xмассив-подобный формы (n_samples, n_features)

Данные обучения.

yИгнорируется

Не используется, присутствует для согласованности API по соглашению.

Возвращает:

selfобъект

Экземпляр SpectralBiclustering.

get_indices(i)[source]

Индексы строк и столбцов i-го биклостера.

Работает только если rows_ и columns_ атрибуты существуют.

Параметры:

iint

Индекс кластера.

Возвращает:

row_indмассив numpy, тип=np.intp

Индексы строк в наборе данных, которые принадлежат биклостеру.

col_indмассив numpy, тип=np.intp

Индексы столбцов в наборе данных, которые принадлежат биклостеру.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, ознакомьтесь с Руководством пользователя по тому, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest encapsulating routing information.

get_params(deep=True)[source]

Получить параметры данного оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернет параметры данного оценщика и вложенных подобъектов, являющихся оценщиками.

Возвращает:

paramsdict

Названия параметров, сопоставленные с их значениями.

get_shape(i)[source]

Размеры i бикластера.

Параметры:

iint

Индекс кластера.

Возвращает:

n_rowsint

Количество строк в бикластере.

n_colsint

Количество столбцов в бикластере.

get_submatrix(i, data)[source]

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 если существуют атрибуты rows_ и columns_.

set_params(**params)[source]

Установить параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (такими как Pipeline). Последние имеют параметры вида <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

Примеры из галереи

Демонстрация алгоритма Spectral Biclustering