Global spectral clustering in dynamic networks： 动态网络的全局谱聚类（部分翻译及实验结果复现）

最新推荐文章于 2022-07-03 17:30:21 发布
最新推荐文章于 2022-07-03 17:30:21 发布
阅读量688 收藏 2
点赞数

原文：Global spectral clustering in dynamic networks

作者：Fuchen Liua(a), David Choib(b), Lu Xie(a), and Kathryn Roedera(a,c)

a:Department of Statistics and Data Science, Carnegie Mellon University, Pittsburgh, PA 15213; b:Heinz College, Carnegie Mellon University, Pittsburgh, PA15213; c: Computational Biology Department, Carnegie Mellon University, Pittsburgh, PA 15213


1. 问题

这篇文章提出了一个新的基于谱聚类的动态社区检测方法。

网络或图可以用表示显示复杂系统内的连接。网络中的顶点往往会表现出聚类（簇）的形式，同一个簇的顶点之间有较多的边相连接，而不同簇之间的顶点连接较为稀疏。这样的集群或社区可能源自网络的不同组成部分，例如基因调控细胞过程。目前社区检测比较成熟的统计（机器学习）理论主要集中在静态网络上（一段时间或一个发展时期的单一快照）。而在现实中，网络通常是动态的，并且对它们的进化进行可视化和建模是非常有意义的（我感觉比研究静态的网络更有意义，因为动态的网络才是现实的真实体现，而现实中少有静止不变的网络）。并且它的应用比比皆是，例如Twitter中的社交网络、物理学中的动态扩散网络和大脑发展的基因共表达网络。在所有这些领域中，为说明网络节点之间的关系的结构以及它们如何随着时间的推移而变化，社区检测是至关重要的。尽管静态网络中的统计推断方法已经很好的建立起来了，但是相对来说研究者还没有充分理解如何在动态网络中结合信息。最近的工作试图将社区检测扩展到动态网络、中心性和动态数据的聚类。

当网络结构具有不确定性时，社区检测是具有挑战性的。动态网络呈现额外的挑战，但也增加了跨时间段的信息。作者提出了一个全局社区检测方法，即持久社区的特征向量平滑方法（PISCES），将信息通过一系列网络，纵向结合，以加强对每个时期的网络结构推断。我们的方法从进化谱聚类和程度校正方法推导出来，并且为调节参数提供了数据驱动的解决方案。在模拟中，我们发现PISCES的性能优于设计用于低信噪比的同类方法。最近从恒河猴脑获得的基因表达数据提供了精细划分脑的样本。广泛的时间跨度包括出生前和出生后的时期。我们感兴趣的是基因群落是如何在空间上发展的。然而，一旦数据被分为均匀的空间和时间周期，样本量非常小，使得推断颇具挑战性。PISCES应用于从近孕到成年的恒河猴大脑皮层的内侧前额叶，显示出持续、融合和发散的、致密群落说明如何动态社区检测可以产生有趣的见解，如脑发育过程。

 

2. 解决方法

我们的方法，持久社区的特征向量平滑方法（PISCES），实现度校正谱聚类，用平滑项来促进跨时间段的相似性，迭代直到达到收敛为止。具体来说，这个全局谱聚类方法将当前网络与前面和未来结果的主特征向量组合，该组合形成为可以优化的问题。在适度平滑的情况下在全局范围内解决社区的数量已知的问题。我们发现，重要的是选择合适的平滑和模型阶数，

以及平衡规则与“让数据说话”。我们使用数据驱动的方法来实现这一点。

具体的解决方法如下。

 ...

静态网络的谱方法：

谱聚类是一类较流行的在静态网络中寻找社区的方法，在文献（19—22）中已经讨论了 它的许多变化。原型法由参考文献6给出。给定对称n×n邻接矩阵A和固定社区数K， 该方法计算度归一化邻接矩阵（或“拉普拉斯化”邻接矩阵L）：

  ...

然后，该方法返回由对L的K个绝对值最大的特征根对应的特征向量进行k-均值聚类得 到的聚类结果。选个聚类个数K 的方法见文献23-26.

 ...

动态网络的特征向量平滑方法：

 ...

 

思想：

动态网络中，当r（变化率）不是很大的时候，网络前后的结构肯定是有很强的联系的。 如果某两个结点在一段时间内都有联系，那么把它们聚成一类是合理的。通过结合当前 网络极其前后网络的结构，能更好地利用我们所拥有的信息，得到更有功效的统计推断。

 

3. 结果

作者进行了模拟和对真实数据进行了分析，并于其他方法进行了比较。在模拟中，能明显看出PISCES要优于其他方法。而在真实数据（恒河猴大脑皮层的内侧前额叶的基因表达样本）中，作者得到非常有说服力的结果。

以下是论文中部分结果的图片。


4. 算法优缺点

优点：提出了一个新的对动态网络进行社区检测的方法。算法简单，容易实现。时间复杂度不高，有理论保证可以收敛到最优解。

缺点：谱聚类要求每个节点的度（或者权重和）都大于0 ，但是在文章中这种用邻接矩阵表示结点之间的联系时，有时候会出现结点的度为0的情况。在一般的谱聚类中，我们（我感觉）可以把这种度为0的结点直接删去（或直接划为一类）。但是在文章遇到的这种情况中，结点个数n和社团个数K是不变的，所以不能直接删去。但是作者并没有说遇到这种情况应该如何处理（而且这种情况很容易遇到，设想某个结点很有可能在某个时期和所有社团都没有联系，但在之后的时期和某个社团产生联系）。此外，真正的动态网络肯定是n和K都会发生变化的，作者限定n和K不变，适用范围太窄，没有很大的实用价值。但是他这种处理方式可以给我们提供一种研究思路。此外算法中还有一个表示参数a要选取，如何选取论文正文没有给出明确解答。

 

5. 复现

对每一个条件，均做一百次模拟（与论文一样），计算平均的ARI。

可以看出，在大部分条件下（尤其是easy和medium以及r较小时，以及时间段的中间部分）PISCES的结果明显好于静态谱聚类的结果。

1.n = 100, K = 2, pout = 0.1

r = 0, pin = (0.2,0.2)         T=1,2,3,4,5

Static   

0.4033438  

0.4059342

0.3958336

0.4400773

0.4123917

PISCES

0.3947865

0.4368355

0.4298128

0.4604113

0.3964476

r = 0, pin = (0.2,0.25)

Static

0.5861688

0.5978856

0.6078584

0.6145001

0.5781638

PISCES

0.6516057

0.6791103

0.6879314

0.6932404

0.6479088

r = 0, pin = (0.25,0.25)

Static

0.7682986    

0.7725866

0.7822470

0.7725070

0.8002579

PISCES

0.8419036

0.8657115

0.8903100

0.8760034

0.8596214

r = 0.2, pin = (0.2,0.2)         T=1,2,3,4,5

Static

0.4055519

0.4322142

0.4071909

0.4237366

0.4078626

PISCES

0.4130687

0.4375518

0.3858658

0.4246821

0.3976516

r = 0.2, pin = (0.2,0.25)

Static

0.6142186

0.6237895

0.6227808

0.6418403

0.6508497

PISCES

0.6839912

0.6938021

0.6863698

0.7133095

0.6880474

r = 0.2, pin = (0.25,0.25)

Static

0.7471508

0.7673495

0.7453637

0.7617394

0.7630894

PISCES

0.8191363

0.8425363

0.8626521

0.8670415

0.8292460

r = 0.5, pin = (0.2,0.2)         T=1,2,3,4,5

Static

0.4107960

0.4007530

0.4211592

0.3862258

0.4473993

PISCES

0.3771513

0.3973456

0.4205767

0.3946420

0.4292825

r = 0.5, pin = (0.2,0.25)

Static

0.6190488

0.6476665

0.6408698

0.5925187

0.6382355

PISCES

 0.6532756

0.6888740

0.6971124

0.6637767

0.6425344

r = 0.5, pin = (0.25,0.25)

Static

0.7439139

0.7777161

0.7774293

0.7743039

0.7625964

PISCES

0.8121530

0.8282229

0.8329703

0.8389092

0.8302620

 

 

6. 总结

模拟的时候遇到的问题：由于是随机生成的数据，运气不好的时候会遇到有些节点的度为0的情况，这样矩阵D就不可逆，于是没法使用谱聚类。鉴于在使用谱聚类的时时候，应该把度为0的结点给删掉，所以遇到这种问题，我的解决方法就是加上一个很小的数，使得矩阵可逆。

由于时间有限，我没有像论文那样，同时比较了PisCES和三个benchmark聚类算法的效果，只比较了PisCES和静态（普通）谱聚类算法的效果。不知道是由于代码的差异，我并没有达到论文中的效果，可是也可以得出PisCES的效果比静态谱聚类效果要好的结论。

 这是我第一次实现论文中的算法，花了接近六个小时，比看论文的时间还要长。“纸上得来终觉浅，觉知此事要躬行。”看论文的时候，作者的思路、想法都很好理解，证明的部分比较难，但是跟着推导一遍也能懂。而让我觉得收获最大的，还是动手去实现算法。即使是看起来比较简单的算法，实现起来也会遇到各种问题，而这些问题是之前看算法的时候完全没有考虑到的，这加深了我对算法的认识，让我意识算法的一些优缺点以及算法原来没有考虑过的问题。


7. 代码

PisCESdata <-function(Time=5, K=2, n=100, pin=c(0.2,0.25), pout=0.1, r=0){
  A <- array(0, c(n,n,Time))
  B <- array(0, c(K,K,Time))
  
  piT <- array(0, c(n,Time))
  fT <- array(0, c(n,Time))
  
  ZT <- array(0, c(n,Time+1))
  ZT[,1]<-sample(1:K, n, replace = TRUE, prob=rep(1/K, K))
  
  for(tt in 1:Time){
    B[1:K,1:K,tt] <- rep(pout,K*K)
    diag(B[ , ,tt]) <- runif(K,pin[1],pin[2])
    
    piT[,tt] <- sample(1:n,n,prob=rep(1/n,n))
    fT[,tt] <- 1/2 + piT[,tt]/n
    
    zt = sample(1:K, n, replace = TRUE, prob=rep(1/K, K))
    it = runif(n)
    ZT[,tt+1] <-(zt - ZT[,tt])*I(it<r) + ZT[,tt]
    
    S <- (fT[,tt]%*%t(fT[,tt]))*B[ZT[,tt+1],ZT[,tt+1],tt]
    
    for(i in 1:(n-1)){
      A[i,i,tt] <-1
      for(j in (i+1):n){
        A[i,j,tt] <- rbinom(1,1,S[i,j])
        A[j,i,tt] <- A[i,j,tt]
      }
    }
      }
  return(list(A,ZT[,2:(Time+1)]))
}

PisCES <- function(A, Time, n, K, a, h){
  U <- array(0, c(n,n,Time))
  V <- array(0, c(n,K,Time))
  
  for(tt in 1:Time){
    d <- apply(A[,,tt],1,sum)
    if(prod(d)==0){d=d+0.001}
    D <- diag(d,n)
    L <- solve(sqrt(D))%*%A[,,tt]%*%solve(sqrt(D))
    eigenL <- eigen(L)
    c <- order(abs(eigenL$values))[(n-K+1):n]
    V[,,tt] <- eigenL$vectors[,c]
    U[,,tt] <- V[,,tt]%*%t(V[,,tt])
  }
  
  
  U2 <- U
  for(k in 1:h){
  U1 <- U2
  eigenU <- eigen(U[,,1] +a*U1[,,2])
  c <- order(abs(eigenU$values))[(n-K+1):n]
  v <- eigenU$vectors[,c]
  U2[,,1] <- v%*%t(v)
  for(tt in 2:(Time-1)){
    eigenU <- eigen(a*U1[,,tt-1] + U[,,tt] +a*U1[,,tt+1])
    c <- order(abs(eigenU$values))[(n-K+1):n]
    v <- eigenU$vectors[,c]
    U2[,,tt] <- v%*%t(v)
  }
  eigenU <- eigen(a*U1[,,Time-1] + U[,,Time])
  c <- order(abs(eigenU$values))[(n-K+1):n]
  v <- eigenU$vectors[,c]
  U2[,,Time] <- v%*%t(v)
  }
  return(list(U1,U2))
}


Compare <- function(N, Time, n, K, pin=c(0.25,0.25), r=0.5){
ARI1 <- array(0, c(Time,N))
ARI2 <- array(0, c(Time,N))
for(i in 1:N){
  PisCESdata1 <- PisCESdata(pin=pin,r=r)
  A <- PisCESdata1[[1]]
  ZT <- PisCESdata1[[2]]
  PisCES1 <- PisCES(A, 5, 100, 2, 0.1, 100)
  
  for(j in 1:Time){
    model1 <- specc(A[,,j], 2)
    SL1 <- as.factor(model1)
    pam <- table(ZT[,j],SL1)
    ARI1[j,i] <- randIndex(pam)
    
    eigenU <- eigen(PisCES1[[2]][,,j])
    c <- order(abs(eigenU$values))[(n-1):n]
    v <- eigenU$vectors[,c]
    model2 <- kmeans(v, 2)
    SL2 <- as.factor(model2$cluster)
    pam <- table(ZT[,j],SL2)
    ARI2[j,i] <- randIndex(pam)
    }
}
result1 = apply(ARI1, 1, mean)
result2 = apply(ARI2, 1, mean)
print(result1)
print(result2)
return(list(result1,result2))
}

N =100
Time =5
#1. n = 100
n=100
#1.hard
K = 2
pin = c(0.2, 0.2)
r = 0
result1 = Compare(N, Time, n, K, pin, r)

K = 2
pin = c(0.2, 0.25)
r = 0
result2 = Compare(N, Time, n, K, pin, r)

K = 2
pin = c(0.25, 0.25)
r = 0
result3 = Compare(N, Time, n, K, pin, r)

K = 2
pin = c(0.2, 0.2)
r = 0.2
result4 = Compare(N, Time, n, K, pin, r)

K = 2
pin = c(0.2, 0.25)
r = 0.2
result5 = Compare(N, Time, n, K, pin, r)

K = 2
pin = c(0.25, 0.25)
r = 0.2
result6 = Compare(N, Time, n, K, pin, r)

K = 2
pin = c(0.2, 0.2)
r = 0.5
result7 = Compare(N, Time, n, K, pin, r)

K = 2
pin = c(0.2, 0.25)
r = 0.5
result8 = Compare(N, Time, n, K, pin, r)

K = 2
pin = c(0.25, 0.25)
r = 0.5
result9 = Compare(N, Time, n, K, pin, r)

#2. n = 500
K = 10
pin = c(0.2, 0.2)
r = 0
result10 = Compare(N, Time, n, K, pin, r)

K = 10
pin = c(0.2, 0.25)
r = 0
result11 = Compare(N, Time, n, K, pin, r)

K = 10
pin = c(0.25, 0.25)
r = 0
result12 = Compare(N, Time, n, K, pin, r)

K = 10
pin = c(0.2, 0.2)
r = 0.2
result13 = Compare(N, Time, n, K, pin, r)

K = 10
pin = c(0.2, 0.25)
r = 0.2
result14 = Compare(N, Time, n, K, pin, r)

K = 10
pin = c(0.25, 0.25)
r = 0.2
result15 = Compare(N, Time, n, K, pin, r)

K = 10
pin = c(0.2, 0.2)
r = 0.5
result16= Compare(N, Time, n, K, pin, r)

K = 10
pin = c(0.2, 0.25)
r = 0.5
result17 = Compare(N, Time, n, K, pin, r)

K = 10
pin = c(0.25, 0.25)
r = 0.5
result18 = Compare(N, Time, n, K, pin, r)

#3. n = 500
pout = 0.3

K = 10
pin = c(0.55, 0.55)
r = 0
result19 = Compare(N, Time, n, K, pin, r, pout)

K = 10
pin = c(0.6, 0.6)
r = 0
result20 = Compare(N, Time, n, K, pin, r, pout)

K = 10
pin = c(0.4, 0.8)
r = 0
result21 = Compare(N, Time, n, K, pin, r, pout)

K = 10
pin = c(0.55, 0.55)
r = 0.2
result22 = Compare(N, Time, n, K, pin, r, pout)

K = 10
pin = c(0.6, 0.6)
r = 0.2
result23 = Compare(N, Time, n, K, pin, r, pout)

K = 10
pin = c(0.4, 0.8)
r = 0.2
result24 = Compare(N, Time, n, K, pin, r, pout)

K = 10
pin = c(0.55, 0.55)
r = 0.5
result25 = Compare(N, Time, n, K, pin, r, pout)

K = 10
pin = c(0.6, 0.6)
r = 0.5
result26 = Compare(N, Time, n, K, pin, r)

K = 10
pin = c(0.4, 0.8)
r = 0.5
result27 = Compare(N,

追海的少年
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
谱聚类原理总结
pythonxxoo的博客
01-19 1069
Python微信订餐小程序课程视频 https://edu.csdn.net/course/detail/36074 Python实战量化交易理财系统 https://edu.csdn.net/course/detail/35475 引入 聚类算法一般可以分为两类： Compactness。代表的算法有&nbsp; K-means，GMM 等。但这类算法只能处理凸集，为了处理非凸的样本集，必须引⼊核技巧。 Connectivity。这类以&nbsp; spectral clustering&nbsp; 为
Global spectral clustering in dynamic networks
qq_24059779的博客
11-05 364
http://www.jmlr.org/papers/volume7/bach06b/bach06b.pdf cholesky 分解 :https://blog.csdn.net/lanchunhui/article/details/50890391   不能准确估计网络结构的时候,社区检测是一个很难的事情.动态网路虽然更难分类但是增加了时间周期这个信息.我们提出一个全局社团检测想法,即...
动态聚类（ Dynamic clustering）
个人记录使用
03-04 7883
本节摘自2016年Santo发表在《PHYSICS REPORTS-REVIEW SECTION OF PHYSICS LETTERS》上的一篇综述文章，目前在SCI数据库中引用量接近两百，被评为热点论文和高被引论文。 由于带有时间戳的网络数据的日益增长，目前分析时序网络[2012Holme]的方法有了很大的发展。尤其是动态社区检测（community）的问题引起了很多人的关注[2010Fort...
简单易学的机器学习算法——谱聚类(Spectal Clustering)
null的专栏
05-15 2万+
一、复杂网络中的一些基本概念 1、复杂网络的表示     在复杂网络的表示中，复杂网络可以建模成一个图，其中，表示网络中的节点的集合，表示的是连接的集合。在复杂网络中，复杂网络可以是无向图、有向图、加权图或者超图。 2、网络簇结构     网络簇结构(network cluster structure)也称为网络社团结构(network community structure)，是复杂
R语言实战——谱系聚类分析与动态聚类分析
chenwei的博客
07-10 2049
一、理论 二、实战分析 x1 <- c(5,7,3,6,6) x2 <- c(7,1,2,5,6) X <- cbind(x1,x2) # 计算初始距离矩阵 dist(X) # 默认计算欧式距离 dist(X,diag=TRUE) # 显示对角线元素 dist(X,diag=TRUE,upper = TRUE) # 显示对角线元素和上三角元素 dist(X,method = 'manhattan') dist(X,method = 'minkowski',p=1)
spectral clustering谱聚类_spectralclustering_聚类_谱聚类_
09-29
在Python中，我们可以使用`scipy`库的`spectral_clustering`函数来实现谱聚类。 首先，让我们详细了解一下谱聚类的基本步骤： 1. **构建相似度矩阵**：根据数据集中的样本，计算它们之间的相似度。常用的相似度...
spectral_cluster_spectralclustering_谱聚类_cluster_
10-04
谱聚类（Spectral Clustering）是一种在数据挖掘和机器学习领域广泛应用的无监督学习方法。它通过构建数据点之间的相似性矩阵，并对这个矩阵进行谱分析，来寻找数据的潜在结构。这种方法能够处理非凸形状的聚类，且...
SpectralClustering:谱聚类的简单实现
06-16
git clone https://github.com/alamages/SpectralClustering.git cd SpectralClustering mkdir build && cd build qmake .. 信息 该代码支持特征向量和无向未加权图聚类。 输入向量必须以 libsvm 格式提供。 输入...
SpectralClustering.zip_SpectralClustering_kmeans聚类matlab_twomoon
07-14
一种快速有效的谱聚类算法，很好的结合谱聚类和kmeans算法。
谱聚类（spectral clustering）理解
01-30
谱聚类spectral clustering，构图和切图，拉普拉斯矩阵
谱聚类算法详解及代码实现
qq_52785898的博客
07-03 752
谱聚类算法详解及代码实现
CS224W-图神经网络 笔记5.3：Spectral Clustering - 谱图聚类的具体操作步骤
HD的博客
03-07 502
CS224W-图神经网络 笔记5.3：Spectral Clustering - 谱图聚类的具体操作步骤 本文总结之日CS224W Winter 2021只更新到了第四节，所以下文会参考2021年课程的PPT并结合2019年秋季课程进行总结以求内容完整 课程主页：CS224W: Machine Learning with Graphs 视频链接：【斯坦福】CS224W：图机器学习( 中英字幕 | 2019秋) 文章目录CS224W-图神经网络 笔记5.3：Spectral Clustering - 谱图
谱聚类原理简述（含实验代码）
翠峰清寒专栏
10-02 1789
Spectral clustering(谱聚类) 是一种基于图论的聚类方法，它能够识别任意形状的样本空间并收敛于全局最优解。其基本的思想是将样本数据进行相似性计算得到相似度矩阵，然后将相似矩阵转换到Laplacian 矩阵 (拉普拉斯矩阵)，做 Laplacian 矩阵的特征值分解，将得到的前 k 个特征向量按列排序后按行做 k − means 聚类，得到最终的聚类结果。 由于谱聚类有很
谱聚类算法(Spectral Clustering)
weixin_30872499的博客
06-26 1221
谱聚类(Spectral Clustering, SC)是一种基于图论的聚类方法——将带权无向图划分为两个或两个以上的最优子图，使子图内部尽量相似，而子图间距离尽量距离较远，以达到常见的聚类的目的。其中的最优是指最优目标函数不同，可以是割边最小分割——如图1的Smallest cut(如后文的Min cut)， 也可以是分割规模差不多且割边最小的分割——如图1的Best c...
漫谈 Clustering (4): Spectral Clustering
Cdyyy学习杂贴
12-07 654
开始学习谱聚类，谢谢博主分享http://blog.pluskid.org/?p=287 漫谈 Clustering (4): Spectral Clustering  by pluskid, on 2009-02-25, in Machine Learning     117 comments 本文是“漫谈 Clustering 系列”中的第 6 篇
谱聚类（Spectral Clustering）算法介绍
热门推荐
Y学习使我快乐V的博客
09-03 6万+
一. 前言 本来想写关于聚类系列算法的介绍，但是聚类系列的其它几个算法原理比较简单，网上有大量的教程可以查阅。这里主要是介绍一下谱聚类算法，做一个学习笔记，同时也希望对想要了解该算法的朋友有一个帮助。关于聚类的其他系列算法，这里推荐一个写的很不错的博客。 谱聚类在最近几年变得受欢迎起来，主要原因就是它实现简单，聚类效果经常优于传统的聚类算法（如K-Means算法）。刚开始学习谱聚类的时候，给人...
谱聚类算法及其代码（Spectral Clustering）
Jim_Liu
11-02 3万+
简介文章将介绍谱聚类（spectral clustering）的基本算法，以及在matlab下的代码实现。介绍内容将包括： 从图分割角度直观理解谱聚类 谱聚类算法步骤 数据以及实现代码 本文将不会涉及细节化的证明和推导，如有兴趣可参考july大神的文章从拉普拉斯矩阵说到谱聚类.对谱聚类的理解这一节将从图分割聚类的角度直观理解谱聚类。不过，因为本人是从事社交媒体分析的，将从一种社会关系网络的角度来介绍
聚类模型-图聚类-谱聚类
myazi
09-15 1063
聚类模型 1、层次聚类 2、原型聚类-K-means 3、模型聚类-GMM 4、EM算法-LDA主题模型 5、密度聚类-DBSCAN 6、图聚类-谱聚类 六、图聚类-谱聚类 谱聚类是一种定义在图上的聚类算法，与其说是聚类算法，更是一种图的向量表示。基于向量表示之后，一般可以采用其他的聚类方法完成最后聚类结果。所以谱聚类的类表示既依赖于向量表示也与之后采用...
动态聚类法
HelloWorld的博客
10-27 4330
目录动态聚类法一、K—均值算法(K-means)1.1 条件及约定1.2 基本思想：1.3 基于使聚类准则函数最小化准则函数聚类准则1.4 算法步骤1.5 讨 论1.6 例题 动态聚类法 两种常用算法： K-均值算法(K-means算法) 迭代自组织的数据分析算法(ISODATA, iterative self-organizing data analysis techniques algorithm) &nbsp; 一、K—均值算法(K-means) 1.1 条件及约定 设待分类的模式特征矢量集
谱聚类python的spectral clusterin库
最新发布
10-21
在Python中，有一个常用的谱聚类库是scikit-learn的`SpectralClustering`。该库提供了一种简单且高效的方法来执行谱聚类。 使用`SpectralClustering`库进行谱聚类的步骤如下： 1. 导入库：首先需要导入`Spectral...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值