[PYTHON] Comment essayer l'algorithme des amis d'amis avec pyfof

amis d'amis Quel est l'algorithme?

L'algorithme est super simple, avec un seul paramètre, et que ce soit la valeur seuil r.

1. Lorsqu'il y a N points dans l'espace, faites attention à un certain point. La distance entre ce point et les N-1 points restants est calculée, et tout ce qui est inférieur ou égal à r est considéré comme un ami.
2. Ensuite, concentrez-vous sur un autre point et effectuez le même calcul. S'il y a quelque chose en commun avec l'ami que vous avez choisi plus tôt, ajoutez un ami. S'il n'y a pas d'éléments en commun, une nouvelle famille d'amis sera créée.
3. Répétez simplement ceci.

Installation de pyfof

pyfof est une bibliothèque qui permet aux amis d'amis de trouver des clusters à grande vitesse avec python. Au lieu de simplement implémenter l'algorithme des amis d'amis, il semble que l'accélération ait été rendue possible par la méthode R * -tree. (Je ne connais pas les détails).

L'installation est

python

pip install pyfof

C'était juste OK (@ google colab, 2020.8.19)

Exemple d'exécution

python

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.cm as cm
import pyfof

npts = 10000
ndim = 2
nptsperdim = int(npts/ndim)
data = np.vstack((np.random.normal(-1,0.2,(nptsperdim,ndim)),\
                  np.random.normal(1,0.2,(nptsperdim,ndim))))

groups = pyfof.friends_of_friends(data, 0.4)

colors = cm.rainbow(np.linspace(0, 1, len(groups)))
for g,c in zip(groups, colors):
    plt.scatter(data[g,0], data[g,1], color=c, s=3)

plt.show() 

Puis

Il peut être soigneusement divisé en deux classes.

Ensuite, pourquoi ne pas mettre une autre classe au milieu?

python

npts = 10000
ndim = 2
nptsperdim = int(npts/ndim)
data = np.vstack((np.random.normal(-1,0.2,(nptsperdim,ndim)),\
                  np.random.normal(1,0.2,(nptsperdim,ndim)),\
                  np.random.normal(0.,0.2,(nptsperdim,ndim))))

groups = pyfof.friends_of_friends(data, 0.4) # 0.S'il est 4, il est trop grand et tous sont classés dans la même classe.

colors = cm.rainbow(np.linspace(0, 1, len(groups)))
for g,c in zip(groups, colors):
    plt.scatter(data[g,0], data[g,1], color=c, s=3)

plt.show()

Ensuite, ils avaient tous la même couleur, c'est-à-dire la même classe.

Changeons un peu la gamme

python

npts = 10000
ndim = 2
nptsperdim = int(npts/ndim)
#Réduisez le sigma de Gaussian.
data = np.vstack((np.random.normal(-1,0.1,(nptsperdim,ndim)),\
                  np.random.normal(1,0.1,(nptsperdim,ndim)),\
                  np.random.normal(0.,0.1,(nptsperdim,ndim))))

groups = pyfof.friends_of_friends(data, 0.2) # 0.2 et réduisez un peu la norme. Et le sigma supérieur a été rendu plus petit.

colors = cm.rainbow(np.linspace(0, 1, len(groups)))
for g,c in zip(groups, colors):
    plt.scatter(data[g,0], data[g,1], color=c, s=3)

plt.show()

Le regarder

Il a été correctement classé en 3 classes. En effet, le sigma gaussien a été réduit et le critère a été réduit de 0,4 à 0,2.

Le code peut également être consulté sur google colab.