聚類
帶有集成CLI的聚類和模糊群集庫。
安裝
$ python3 setup.py install
運行setup.py腳本將下載所有必需的軟件包，並在您的~/.local/bin/中安裝以下命令，以進行本地安裝，或者在/usr/lib/pythonX.X目錄中：
- CLUS：基於分區的聚類的主要命令。
- DCLU：基於密度的聚類。
- HCLUS：分層聚類。
- ECLU：評估聚類。實施通過比較兩個分區來評估聚類結果的方式有所不同。
用法
# Simple clustering with 500-components kmeans algorithm
$ clus dataset.csv kmeans -k 500 --max-iter 100 --eps 0.001 --header --save-clus
# Clustering with a weighted euclidean distance + matplotlib visualisation
$ clus dataset.npy kmeans --pairwise-distance weighted_euclidean --weights 1 0 1 1 --visualise
# Clustering from a .npz file with a 3D matplotlib visualisation
$ clus dataset.npz fcm --array-name clusters_center --visualise-3d
# Clustering with automatic dataset filetype guessing and with a normalization beforehand
$ clus dataset kmeans --file-type guess --normalization rescaling --save-clus
# DBSCAN clustering with a custom clustering results saving path
$ dclus dataset.csv dbscan --save-clus --seed 1 --format-filename-dest-results dbased_{clustering_algorithm}_{dataset}_{seed}托多
- 完整的範式重寫：
- 從CLI支撐轉移到更乾淨的Python類界面
- 設計易於使用和抽象的基礎聚類類
- 從河中汲取靈感
- “新”算法家庭：流媒體/一通算法。
- 倒入Les FCM，Pluseurs副本DeDonnéesSont Faites Plus Fois。優化，voir：https：//pythonhosted.org/scikit-fuzzy/_modules/skfuzzy/cluster/_cmeans.html#cmeans
- 集合lesopérationsd de Clustering Inploy（Ne pas depliquer lesdonnées）
- méthodesde crustering - inmandemer：
- https://github.com/scikit-learn/scikit-learn/blob/7b136e9/sklearn/cluster/k_means_.py#l1318
- 光學
- 平均換檔
- vérifierle hard_c_medoids
- 實施者UNE檢測自動機si le flag -n'estpassé。 voir：https：//stackoverflow.com/questions/32312309/check-if-header-exists-with-python-pandas
- permettre au hc de prendreplamètrespol fcluster值。 Si Plusirurs，貼花CES參數上的Alors。 ajouter選項fcluster_value dans le filename。
- LesOpérationsSur Medioids sont lentes。 S'Inspirer D'Autres代碼倒入Les Ameliorer：
- https://github.com/vitordeatoreao/AmpRoj/blob/8444842A532524D514E7534DA65C7A64AB7AB7EF57/AMPROJ/AMPROJ/AMPROJ/amproj/distance/kmedoids.pys.pys.pys.pys.py
- https://github.com/agartland/utils/blob/e200d7e41039ca0053bd817c1d1857aab33bd503/kmedoids.py#l172
- https://github.com/brain-mapper/brainmapperv2/blob/63075BDCA2428197FC18A1CF6C7403C2764E0664E0664/OURLIB/CLUSTERING.PY#L293
- du decorateur“ memoryError_fallback”，d'un parametre de taille de塊，puis utiliser sklearn.metrics.pairwise_distances_chunked
- Au lieu de fixer un nom de fichier par défaut, mettre tous les paramètres par défaut à None (et fixer en dur leurs valeus par défaut dans la doc, ou formater selon un fichier), et ajouter les parametres NON None passés par l'utilisateur au nom de fichier selon un ordre prédéfini. l'lituisateur peut aussitrèsBienPasser son nom de fichierprédéfini。
- Implémenterun algo d'Apperimment（De Comparaison）D'Ection。 peutêtre -tre fuliser https://fr.wikipedia.org/wiki/algorithme_hongrois
- Revoir lesséparationsen sous-commandes。 peutêtrefaire：“ clus評估“ ou” clus可視化”。
- s'inspirer de l'Api d'Autres聚集軟糖：https://elki-project.github.io ** https://wwwwwww.cs.waikato.ac.ac.ac.ac.nz/ml/weka ** https:/
- Implémenterla la ecture de fichiers：** memmap：https：//docs.scipy.org/doc/numpy/referend/referency/generated/numpy.memmap.html
- S'inspirer des codes Suivants：** https：//github.com/overshiki/kmeans_pytorch/blob/master/master/kmeans.pys.pys.pys.pys.py
- Etudier Mesures：** https：//scikit-learn.org/stable/modules/generated/sklearn.metrics.adjusted_mutual_info_score.html ** https://docs.scipy.org/doc/numpy/reference/generated/numpy.random.multivariate_normal.html **
- Trouver Meilleure Coupe HC：** https：//www.sciencedirect.com/science/article/pii/s0031320310001974
- Etudier D'AutresMéthodesde正常化，Leurs Effets et Leurs ** https://en.wikipedia.org/wiki/wiki/normalization_(Statistics）** https:///en.wikipedia.org/wikipedia.org/wiki/wiki/feature_scaling ** ** https://sebastianraschka.com/articles/2014_about_feature_scaling.html
- 重構De L'Architecture DU代碼：** clus.Methods，qui toutes lesméthodesdepuis ce模塊。 ** clus.preprocessing，qui of qui les les res de strormanistization et depondération** clus.visalisation ** clus.evaluation.evaluation ** clus.proading，tontes lesméthodesdesdonnéesdonnées
- 更改者lafaçon'tdot lesparamètresdu clusteringsontcockéset nond lesrésultatssontsauvegardés。 ** virer tous les paramsliésau nom de fichier。 ne garder que“ file-name-prefix”，et ajouter un uuid comme nom de fichier。 ** Stocker tous lesparamètresde clustering dans le dictionNairerésultats。 CLEF“參數”。 **維護式quej'écrisça，je me cond compte que que que sacred peut eTre eTre perpurpropriépourla gestion desrésultats。
- Virer Silhouette，Ne Garder Que Silhouette-Samples，Puis Retourner La Moyenne（Qui superiveàSilhouette-Score），lapelle silhouette_mean等，等等。
- eTudier l'lustrization de：https：//scikit-learn.org/stable/modules/generated/sklearn.metrics.pairwise_distances_chunked.html
- RemettrelesRéférencesdans la doc de chaque模塊。 Les退休人員desRéférencesci-dessous。
- 提議者une ins ins ins ins in k-means lutilisant cuda：http：//alexminnaar.com/2019/03/05/cuda-kmeans.html
- ajouter param uuid：ajouter un param可能，{uuid4}，{uuid6}，等等dan le futur futur nom de fichier peut eTre？在Peut L'Initialiser avec le temps，Sinon Faudra Fairegaffeàl'l'1nationationavec grainealéatoire，Sinon c'est c'est possiblkz que je retournelesmêmesmêmesuuiidàChaquefois上。
- ajouter dess retures d'essuration：papier pol pour mesures d'Ever聚類：https：//amstat.tandfonline.com/doi/abs/10.10.1080/01621459.1971.10482356
- eTudier d'uarres正常化和leurs effets：https：//scikit-learn.org/stable/auto_examples/preprocessing/plot_all_scaling.html#results
參考
- [1] R. Krishnapuram； A. Joshi； O. Nasraoui; L. Yi，低複雜性模糊關係聚類算法，用於網絡採礦，IEEE模糊系統交易（卷：9，第4期，2001年8月4日），P595-607，doi：10.1109/91.940971
- [2] tolga can，k-means空聚類示例，http：//user.ceng.metu.edu.tr/~tcan/ceng465_f1314/schedule/kmeansempty.html（檔案：檔案： https://web.archive.org/web/20180626092955/http://user.ceng.metu.edu.tr/~tcan/ceng465_f1314/schedule/kmeansempty.html）
- [3] Ross，Timothy J.，工程應用程序的模糊邏輯，第三版。威利。 2010。 ISBN978-0-470-74376-8 pp 352-353
- [4]喬·馬里諾（Joe Marino https://web.archive.org/web/20180813034201/http://joelouismarino.github.io/blog_posts/blog_whitening.html）
- [5] TODO：施加加權歐幾里得距離等於將傳統的歐幾里得距離應用於由重量平方根加權的數據
- [6] James C.Bezdek，Robert Ehrlich，William Full，FCM：模糊C-Means聚類算法，https：//doi.org/10.1016/0098-3004（84）
