HiPart下载 - HiPart源代码下载

HiPart

其他源码

v1.0.5

下载

hipart：分层分区聚类工具箱

该存储库介绍了Hipart软件包，这是一个开源的本机Python库，可提供有效且可解释的分裂分层聚类算法的实现。 Hipart支持交互式可视化，以操纵执行步骤，从而直接干预聚类结果。该软件包非常适合大数据应用程序，因为已将重点放在实施聚类方法的计算效率上。所使用的依赖项是Python建筑包或高度维护的稳定外部软件包。该软件是根据MIT许可证提供的。

安装

对于软件包的安装，唯一必要的操作和要求是Python更高或等于3.8的版本，并且执行以下命令。

pip install HiPart

简单的示例执行

示例Bellow是软件包执行的最简单形式。不久，它显示了包含6个簇的合成聚类数据集的创建。之后，它使用DEPDDP算法聚类，并且仅返回群集标签。

 from HiPart . clustering import DePDDP
from sklearn . datasets import make_blobs

X , y = make_blobs ( n_samples = 1500 , centers = 6 , random_state = 0 )

clustered_class = DePDDP ( max_clusters_number = 6 ). fit_predict ( X )

Hipart软件包提供了一套全面的示例，可指导用户使用其各种算法。这些示例位于存储库的示例目录中。

为了一般了解软件包的功能，用户可以参考clustering_example文件。该文件是基础指南，提供了包装中的算法的完整示例。

此外，对于有兴趣合并kernelpca方法的人，clustering_with_kpca_example文件是宝贵的资源。它提供了一个详细的示例，说明了如何在Hipart软件包的上下文中应用kernelpca。

识别通过相似性或差异矩阵（例如距离矩阵）聚类的重要性，Hipart软件包包括clustering_with_with_distance_matrix_example文件。这个具体示例证明了DEPDDP算法与距离矩阵的使用，并提供了实用的应用程序方案。

最后，该软件包具有交互式可视化组件，该组件在Interactive_visualization_example文件中进行了例证。这个示例不仅展示了交互式可视化的执行，而且还提供了可视化GUI的全面说明。

这些资源共同确保Hipart软件包的用户对其功能和应用具有全面且实用的理解。

文档

包装的完整文档可以在此处找到。

引用

 @article { Anagnostou2023HiPart ,
  title = { HiPart: Hierarchical Divisive Clustering Toolbox } ,
  author = { Panagiotis Anagnostou and Sotiris Tasoulis and Vassilis P. Plagianakos and Dimitris Tasoulis } ,
  year = { 2023 } ,
  journal = { Journal of Open Source Software } ,
  publisher = { The Open Journal } ,
  volume = { 8 } ,
  number = { 84 } ,
  pages = { 5024 } ,
  doi = { 10.21105/joss.05024 } ,
  url = { https://doi.org/10.21105/joss.05024 }
}