Scikit-network-09：Classification

最新推荐文章于 2024-05-19 23:31:32 发布
最新推荐文章于 2024-05-19 23:31:32 发布
阅读量120 收藏
点赞数
分类专栏： # Scikit-network 文章标签： python scikit-network 图 分类
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/uncle_ll/article/details/128923803
版权

Classification

PageRank

介绍基于Pagerank的图节点的分类，该节点基于几个节点的标签。

from IPython.display import SVG
import numpy as np

from sknetwork.data import karate_club, painters, movie_actor
from sknetwork.classification import PageRankClassifier
from sknetwork.visualization import svg_graph, svg_digraph, svg_bigraph

图

graph = karate_club(metadata=True)
adjacency = graph.adjacency
position = graph.position
labels_true = graph.labels
labels_true

array([1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 0, 0, 1, 1, 0, 1, 0, 1,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

seeds = {i: labels_true[i] for i in [0, 33]}
pagerank = PageRankClassifier()
labels_pred = pagerank.fit_transform(adjacency, seeds)
labels_pred

array([1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 1, 1, 0, 1, 0, 1,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

precision = np.round(np.mean(labels_pred==labels_true), 2)
precision
# 0.97
image = svg_graph(adjacency, position, labels=labels_pred, seeds=seeds)
SVG(image)

在这里插入图片描述

# soft classification (here probability of label 1)
label = 1
membership = pagerank.membership_
scores = membership[:,label].toarray().ravel()
print(scores)

[0.85083397 0.67169185 0.53881723 0.71812199 0.86360047 0.86708137
 0.86708137 0.72814855 0.453558   0.28963328 0.86360047 0.85626903
 0.80825129 0.57509049 0.18758663 0.18758663 0.87180985 0.79336306
 0.18758663 0.54964922 0.18758663 0.79336306 0.18758663 0.21970262
 0.33534748 0.31974366 0.16306381 0.28127132 0.32151073 0.18639406
 0.35142577 0.40884207 0.25890729 0.15608262]

image = svg_graph(adjacency, position, scores=scores, seeds=seeds)
SVG(image)

在这里插入图片描述

有向图

graph = painters(metadata=True)
adjacency = graph.adjacency
position = graph.position
names = graph.names

rembrandt = 5
klimt = 6
cezanne = 11
seeds = {cezanne: 0, rembrandt: 1, klimt: 2}

pagerank = PageRankClassifier()
labels = pagerank.fit_transform(adjacency, seeds)
labels
# array([2, 0, 1, 0, 1, 1, 2, 0, 2, 1, 0, 0, 0, 2])

image = svg_digraph(adjacency, position, names, labels=labels, seeds=seeds)
SVG(image)

在这里插入图片描述

# soft classification
membership = pagerank.membership_
scores = membership[:, 0].toarray().ravel()
image = svg_digraph(adjacency, position, names, scores=scores, seeds=[cezanne])
SVG(image)

在这里插入图片描述

二部图

graph = movie_actor(metadata=True)
biadjacency = graph.biadjacency
names_row = graph.names_row
names_col = graph.names_col

inception = 0
drive = 3
budapest = 8

pagerank = PageRankClassifier()
pagerank.fit(biadjacency, seeds_row)
labels_row = pagerank.labels_row_
labels_col = pagerank.labels_col_

image = svg_bigraph(
    biadjacency, names_row, names_col, labels_row, labels_col, seeds_row=seeds_row)

SVG(image)

在这里插入图片描述

# soft classification
membership_row = pagerank.membership_row_
membership_col = pagerank.membership_col_

label = 1
scores_row = membership_row[:,label].toarray().ravel()
scores_col = membership_col[:,label].toarray().ravel()

image = svg_bigraph(biadjacency, names_row, names_col, scores_row=scores_row, scores_col=scores_col,
                    seeds_row=seeds_row)
SVG(image)

在这里插入图片描述

Diffusion

扩散算法是一种数据处理方法，目的在于通过扩散处理使得元素之间相互影响，从而实现完全的雪崩效应。

from IPython.display import SVG
import numpy as np
from sknetwork.data import karate_club, painters, movie_actor
from sknetwork.classification import DiffusionClassifier
from sknetwork.visualization import svg_graph, svg_digraph, svg_bigraph

图

graph = karate_club(metadata=True)
adjacency = graph.adjacency
position = graph.position
labels_true = graph.labels

seeds = {i: labels_true[i] for i in [0, 33]}
diffusion = DiffusionClassifier()
labels_pred = diffusion.fit_transform(adjacency, seeds)
labels_pred
# [1, 1, 0, 1, 1, 1, 1, 1, 0, 0, 1, 1, 1, 1, 0, 0, 1, 1, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]

precision = np.round(np.mean(labels_pred==labels_true), 2)
precision
# 0.94

image = svg_graph(adjacency, position, labels=labels_pred, seeds=seeds)
SVG(image)

在这里插入图片描述

# soft classification (here probability of label 1)
scores = diffusion.score(label=1)
image = svg_graph(adjacency, position, scores=scores, seeds=seeds)
SVG(image)

在这里插入图片描述

有向图

graph = painters(metadata=True)
adjacency = graph.adjacency
position = graph.position
names = graph.names

rembrant = 5
cezanne = 11
seeds = {cezanne: 0, rembrant: 1}

diffusion = DiffusionClassifier()
labels = diffusion.fit_transform(adjacency, seeds)

image = svg_digraph(adjacency, position, names, labels=labels, seeds=seeds)
SVG(image)

在这里插入图片描述

# soft classification (here probability of label 0)
scores = diffusion.score(label=0)
image = svg_digraph(adjacency, position, names=names, scores=scores, seeds=[cezanne])
SVG(image)

在这里插入图片描述

二部图

graph = movie_actor(metadata=True)
biadjacency = graph.biadjacency
names_row = graph.names_row
names_col = graph.names_col

inception = 0
drive = 3
seeds_row = {inception: 0, drive: 1}

diffusion = DiffusionClassifier()
diffusion.fit(biadjacency, seeds_row)
labels_row = diffusion.labels_row_
labels_col = diffusion.labels_col_

image = svg_bigraph(biadjacency, names_row, names_col, labels_row, labels_col, seeds_row=seeds_row)
SVG(image)

在这里插入图片描述

# soft classification
membership_row = diffusion.membership_row_
membership_col = diffusion.membership_col_

# probability of label 1
score_row = membership_row[:, 1].toarray().ravel()
score_col = membership_col[:, 1].toarray().ravel()

image = svg_bigraph(
    biadjacency, names_row, names_col, scores_row=scores_row,
    scores_col=scores_col, seeds_row=seeds_row)

SVG(image)

在这里插入图片描述

Dirichlet

根据几个节点的标签介绍基于Dirichlet算法的图节点的分类，狄利克雷分布

from IPython.display import SVG
import numpy as np
from sknetwork.data import karate_club, painters, movie_actor
from sknetwork.classification import DirichletClassifier
from sknetwork.visualization import svg_graph, svg_digraph, svg_bigraph

图

graph = karate_club(metadata=True)
adjacency = graph.adjacency
position = graph.position
labels_true = graph.labels

seeds = {i: labels_true[i] for i in [0, 33]}

dirichlet = DirichletClassifier()
labels_pred = dirichlet.fit_transform(adjacency, seeds)

precision = np.round(np.mean(labels_pred==labels_true), 2)
precision
# 0.97

image = svg_graph(adjacency, position, labels=labels_pred, seeds=seeds)
SVG(image)

在这里插入图片描述

# soft classification (here probability of label 1)
membership = dirichlet.membership_
scores = membership[:,1].toarray().ravel()

image = svg_graph(adjacency, position, scores=scores, seeds=seeds)
SVG(image)

在这里插入图片描述

有向图

graph = painters(metadata=True)
adjacency = graph.adjacency
position = graph.position
names = graph.names

rembrandt = 5
klimt = 6
cezanne = 11
seeds = {cezanne: 0, rembrandt: 1, klimt: 2}

dirichlet = DirichletClassifier()
labels = dirichlet.fit_transform(adjacency, seeds)
image = svg_digraph(adjacency, position, names, labels=labels, seeds=seeds)
SVG(image)

在这里插入图片描述

# soft classification (here probability of label 0)
membership = dirichlet.membership_
scores = membership[:,0].toarray().ravel()

image = svg_digraph(adjacency, position, names=names, scores=scores, seeds=[cezanne])
SVG(image)

在这里插入图片描述

二部图

graph = movie_actor(metadata=True)
biadjacency = graph.biadjacency
names_row = graph.names_row
names_col = graph.names_col

inception = 0
drive = 3
budapest = 8

seeds_row = {inception: 0, drive: 1, budapest: 2}

dirichlet = DirichletClassifier()
dirichlet.fit(biadjacency, seeds_row)
labels_row = dirichlet.labels_row_
labels_col = dirichlet.labels_col_

image = svg_bigraph(biadjacency, names_row, names_col, labels_row, labels_col, seeds_row=seeds_row)
SVG(image)

在这里插入图片描述

# soft classification (here probability of label 1)
membership_row = dirichlet.membership_row_
membership_col = dirichlet.membership_col_

scores_row = membership_row[:,1].toarray().ravel()
scores_col = membership_col[:,1].toarray().ravel()

image = svg_bigraph(biadjacency, names_row, names_col, scores_row=scores_row, scores_col=scores_col,
                    seeds_row=seeds_row)
SVG(image)

在这里插入图片描述

Propagation

介绍基于标签传播算法的图节点的分类。

from IPython.display import SVG
import numpy as np
from sknetwork.data import karate_club, painters, movie_actor
from sknetwork.classification import Propagation
from sknetwork.visualization import svg_graph, svg_digraph, svg_bigraph

图

graph = karate_club(metadata=True)
adjacency = graph.adjacency
position = graph.position
labels_true = graph.labels

seeds = {i: labels_true[i] for i in [0, 33]}
labels_true, len(labels_true)
# [1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 0, 0, 1, 1, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]

propagation = Propagation()
labels_pred = propagation.fit_transform(adjacency, seeds)
labels_pred

image = svg_graph(adjacency, position, labels=labels_pred, seeds=seeds)
SVG(image)

在这里插入图片描述

# soft classification
label = 1
membership = propagation.membership_
scores = membership[:, label].toarray().ravel()

image = svg_graph(adjacency, position, scores=scores, seeds=seeds)
SVG(image)

在这里插入图片描述

有向图

graph = painters(metadata=True)
adjacency = graph.adjacency
position = graph.position
names = graph.names

rembrandt = 5
klimt = 6
cezanne = 11
seeds = {cezanne: 0, rembrandt: 1, klimt: 2}

propagation = Propagation()
labels = propagation.fit_transform(adjacency, seeds)

image = svg_digraph(adjacency, position, names, labels=labels, seeds=seeds)
SVG(image)

在这里插入图片描述

# soft classification
membership = propagation.membership_
scores = membership[:,0].toarray().ravel()

image = svg_digraph(adjacency, position, names, scores=scores, seeds=[cezanne])
SVG(image)

在这里插入图片描述

二部图

graph = movie_actor(metadata=True)
biadjacency = graph.biadjacency
names_row = graph.names_row
names_col = graph.names_col

inception = 0
drive = 3
budapest = 8

seeds_row = {inception: 0, drive: 1, budapest: 2}

propagation = Propagation()
labels_row = propagation.fit_transform(biadjacency, seeds_row)
labels_col = propagation.labels_col_

image = svg_bigraph(biadjacency, names_row, names_col, labels_row, labels_col, seeds_row=seeds_row)
SVG(image)

在这里插入图片描述

# soft classification
membership_row = propagation.membership_row_
membership_col = propagation.membership_col_

scores_row = membership_row[:,1].toarray().ravel()
scores_col = membership_col[:,1].toarray().ravel()

image = svg_bigraph(biadjacency, names_row, names_col, scores_row=scores_row, scores_col=scores_col, seeds_row=seeds_row)
SVG(image)

在这里插入图片描述

Nearest neighbors

基于几个节点的标签介绍K-Nearest邻居算法对图节点的分类。

from IPython.display import SVG
import numpy as np
from sknetwork.data import karate_club, painters, movie_actor
from sknetwork.classification import KNN
from sknetwork.embedding import GSVD
from sknetwork.visualization import svg_graph, svg_digraph, svg_bigraph

图

graph = karate_club(metadata=True)
adjacency = graph.adjacency
position = graph.position
labels_true = graph.labels

seeds = {i: labels_true[i] for i in [0, 33]}

knn = KNN(GSVD(3), n_neighbors=1)  # 通过邻接矩阵的广义奇异值分解说明了图的嵌入
labels_pred = knn.fit_transform(adjacency, seeds)

precision = np.round(np.mean(labels_pred == labels_true), 2)
precision
# 0.97

image = svg_graph(adjacency, position, labels=labels_pred, seeds=seeds)
SVG(image)

在这里插入图片描述

# soft classification (here probability of label 1)
knn = KNN(GSVD(3), n_neighbors=2)
knn.fit(adjacency, seeds)
membership = knn.membership_

scores = membership[:,1].toarray().ravel()
scores

image = svg_graph(adjacency, position, scores=scores, seeds=seeds)
SVG(image)

在这里插入图片描述

有向图

graph = painters(metadata=True)
adjacency = graph.adjacency
position = graph.position
names = graph.names

rembrandt = 5
klimt = 6
cezanne = 11
seeds = {cezanne: 0, rembrandt: 1, klimt: 2}

knn = KNN(GSVD(3), n_neighbors=2)
labels = knn.fit_transform(adjacency, seeds)

image = svg_digraph(adjacency, position, names, labels=labels, seeds=seeds)
SVG(image)

在这里插入图片描述

# soft classification
membership = knn.membership_
scores = membership[:,0].toarray().ravel()

image = svg_digraph(adjacency, position, names, scores=scores, seeds=[cezanne])
SVG(image)

在这里插入图片描述

二部图

graph = movie_actor(metadata=True)
biadjacency = graph.biadjacency
names_row = graph.names_row
names_col = graph.names_col

inception = 0
drive = 3
budapest = 8

seeds_row = {inception: 0, drive: 1, budapest: 2}

knn = KNN(GSVD(3), n_neighbors=2)
labels_row = knn.fit_transform(biadjacency, seeds_row)
labels_col = knn.labels_col_

image = svg_bigraph(biadjacency, names_row, names_col, labels_row, labels_col, seeds_row=seeds_row)
SVG(image)

在这里插入图片描述

# soft classification
membership_row = knn.membership_row_
membership_col = knn.membership_col_

scores_row = membership_row[:,1].toarray().ravel()
scores_col = membership_col[:,1].toarray().ravel()

image = svg_bigraph(biadjacency, names_row, names_col, scores_row=scores_row, scores_col=scores_col,
                    seeds_row=seeds_row)
SVG(image)

在这里插入图片描述

uncle_ll
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Mastering Machine Learning with scikit-learn 第二版 2017
07-01
Using convolutional neural network activations as features 66 Summary 68 Chapter 5: From Simple Linear Regression to Multiple Linear Regression 70 Multiple linear regression 70 Polynomial regression ...
17 条件随机场（一）：CRF
cengjing12的博客
06-07 393
1 Introduction 本讲主要介绍的是条件随机场(Conditional Random Field)，这个东西在机器学习中，曾经有过 较大的用处，在图像处理和标注问题中大放光彩。本小节的讲解，主要是CFR 机器学习体系中的背 景，我们为什么要研究CRF，CRF 和其他的模型相比它在什么地方进行了演变，然后对CRF 模型的 建立和求解进行了分析，最后得出CRF 适用于怎样的问题，它有怎样的优缺点等。这个过程是很流畅 的，和前面讲到的概率图模型中的隐马尔可夫模型(Hidden Markov Model)
Lecture 11 ：Linear Models for Classification
weixin_43860935的博客
10-05 124
Lecture 11 ：Linear Models for Classification 【参考】https://redstonewill.com/243/ 【概括】 分类问题的三种线性模型：linear classification、linear regression和logistic regression。这三种linear models都可以来做binary classification； 比梯度下降算法更加高效的SGD算法来进行logistic regression分析； 两种多分类方法，一种是O
Scikit-Learn 1.4使用指南： 有监督学习 多类和多输出算法
数智笔记
02-05 1098
每个样本是一个水果图像，为每个属性输出一个标签，每个标签是相应属性的可能类别之一。链中的第一个模型没有关于其他标签的信息，而链中的最后一个模型具有指示所有其他标签存在的特征。通常情况下，人们不知道链中模型的最佳顺序，因此通常会拟合许多随机排序的链，并将它们的预测结果进行平均。元估计器扩展了基本估计器的功能，以支持多学习问题，这是通过将多学习问题转化为一组更简单的问题，然后为每个问题拟合一个估计器来实现的。本用户指南的这一部分介绍了与多学习问题相关的功能，包括多类、多标签和多输出的分类和回归。
Scikit-network-12：LinkPredict
uncle_ll的博客
03-13 100
图链路预测
Scikit-Learn 1.4实战案例：分类模型
数智笔记
02-13 708
首先需要注意的是，对于第一个和第二个数据集，LDA和QDA是等价的。由于在这些情况下数据生成过程对两个类别使用了相同的协方差矩阵，QDA估计了两个（几乎）相等的协方差矩阵，因此等价于LDA估计的协方差矩阵。QDA拟合了两个协方差矩阵，并提供了一个非线性的判别边界，而LDA则欠拟合，因为它假设两个类别共享一个单一的协方差矩阵。在第一个数据集中，用于生成数据集的协方差矩阵是球形的，这导致判别边界与两个均值的垂直平分线对齐。使用LDA时，所有类别的标准差相同，而使用QDA时，每个类别都有自己的标准差。
scikit keras_使用Scikit-Learn，Scikit-Opt和Keras进行超参数优化
weixin_26632369的博客
07-19 1558
scikit kerasHyperparameter optimization is often one of the final steps in a data science project. Once you have a shortlist of promising models you will want to fine-tune them so that they perform be...
scikit-learn的datasets模块
m0_53328738的博客
06-03 733
scikit-learn的 datasets 模块包含测试数据相关函数
Scikit-Learn 1.4使用指南：数据转换 数据预处理 Preprocessing data
数智笔记
02-08 904
通常，您希望将现有的 Python 函数转换为转换器，以帮助进行数据清洗或处理。您可以使用从任意函数实现一个转换器。>>> # 由于 FunctionTransformer 在拟合过程中不起作用，我们可以直接调用 transform您可以通过设置并在transform之前调用fit来确保func和互为反函数。请注意，会引发警告，可以通过有一个完整的代码示例，演示了如何使用从文本数据中提取特征，请参见和。
Scikit-learn中的机器学习算法
林学森的技术专栏
04-26 2592
以下文章摘录自： 《机器学习观止——核心原理与实践》 京东：https://item.jd.com/13166960.html 当当：http://product.dangdang.com/29218274.html (由于博客系统问题，部分公式、图片和格式有可能存在显示问题，请参阅原书了解详情) ———————————————— 版权声明：本文为CSDN博主「林学森」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.cs.
Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow
03-17
Training Simple Machine Learning Algorithms for Classification A Tour of Machine Learning Classifiers Using Scikit-Learn Building Good Training Sets - Data Preprocessing Compressing Data via ...
ShallowLearn：一项关于基于浅层神经网络方法（例如fastText），重新实现监督学习模型的实验，该模型具有一些附加的专有功能和不错的API。 用Python编写，并与Scikit-learn完全兼容
02-03
ShallowLearn：一项关于基于浅层神经网络方法（例如fastText），重新实现监督学习模型的实验，该模型具有一些附加的专有功能和不错的API。 用Python编写，并与Scikit-learn完全兼容
leetcode下载-project_category:开源项目整理和分类
06-29
[HAN-text-classification-tf] [TextCNN] [DESlib] [fasttext] [capsule_text] 多标签分类 [AI Challenger第一名] 重点 [AI Challenger第十七名] 重点 分类不平衡权重 额外特征 模型集成 [AI Challenger] 改造的ELMO...
python-machine-learning-book-3rd-edition：“머신교과서”（，2020）3판의
02-04
교과서3판 2019년5月출간，출판사 Se Se Se（Sebastian Raschka）미자리리리（Vahid Mirjalili）셀러베트스베셀러“ ” 。 주세요이나오류가있다블면이그블로그블로 알려주세요주세요주세요주세요 주세요주세요주...
【Python】Python中变量或者函数加下划线‘_‘的含义
yangweipeng708的博客
05-14 670
理解这些约定可以帮助Python开发者编写更清晰、更Pythonic的代码，并理解其他Python代码中的命名习惯。）通常用来指示特定的编程约定或用法，这些约定主要关乎变量和函数的可访问性以及预期的使用范围。在Python中，变量或函数前面加一个下划线（
python数据分析numpy基础之intersect1d求数组交集
最新发布
sinat_34735632的博客
05-19 190
python的numpy库的intersect1d(x,y)函数，计算x和y的公共元素，并返回去重后的有序结果。相当于求两个数组中的交集，并且进行去重和排序。numpy.intersect1()查找两个数组的公共元素，并且返回去重后的有序结果。ar1，ar2：必选，列表、元组、数组；如果是多维则自动转一维数组；assume_unique：可选，bool，默认False，若为True则可以加快计算素材，此时ar1和ar2需为元素唯一的数组，否则结果不会去重；
windows11 Django环境安装
云深海阔专栏
05-15 154
3）在这个文件夹中使用manager.py和runserver命令运行开发 web 服务器。2）使用 django-admin 工具创建一个名为“mytestsite”的新框架站点。浏览器上访问http://localhost:800。2、windows10 虚拟环境设置。1、验证python和pip3环境。1）创建文件夹及项目目录。4）web浏览器上验证。3、安装Django。
python数据分析——时间序列
qq_74013365的博客
05-14 1991
时间序列是按照时间顺序排列的一系列随时间变化而变化的数据点或观测值。时间序列可以是离散的，例如每月的销售数据，也可以是连续的，例如气温和股票价格等。时间序列常用于预测和分析未来的趋势，例如经济增长、股票走势、天气变化等。时间序列分析是数据分析中的重要部分，它涉及到对随时间变化的数据进行研究，以揭示其内在规律、趋势和周期性变化。Python作为一种强大的编程语言，拥有众多的数据处理和可视化库，如pandasnumpymatplotlib和seaborn等，这些库在处理时间序列数据时表现出色。
python用scikit-learn实现CNN文本分类
05-13
from sklearn.neural_network import MLPClassifier from sklearn.pipeline import make_pipeline ``` 2. 加载文本数据集 ```python categories = ['alt.atheism', 'talk.religion.misc', 'comp.graphics', 'sci....

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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

打赏作者

uncle_ll

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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