分類

節點分類演算法。

屬性 標籤_ 提供圖形中每個節點的標籤。

擴散

類別 sknetwork.classification.DiffusionClassifier(n_iter: int = 10, centering: bool = True, scale: float = 5)

節點分類透過熱傳遞。

對於每個標籤，節點的溫度對應於具有這個標籤的機率。

參數:

• n_iter (int) – 傳輸的迭代次數（離散時間）。

• centering (bool) – 如果 True，在分類前將每個標籤的溫度移至其平均值（預設）。

• scale (float) – 在 softmax 前套用於溫度的乘法因子（預設 = 5）。僅在 centering 為 True 時使用。

變數:

• labels (np.ndarray, shape (n_labels,)) – 節點的標籤。

• probs (sparse.csr_matrix, shape (n_row, n_labels)) – 在標籤上的機率分配。

• labels_row (np.ndarray) – 列的標籤，針對二部圖。

• labels_col (np.ndarray) – 欄的標籤，針對二部圖。

• probs_row (sparse.csr_matrix, shape (n_row, n_labels)) – 列標籤上的機率分配，針對二部圖。

• probs_col (sparse.csr_matrix, shape (n_col, n_labels)) – 欄標籤上的機率分配，針對二部圖。

範例

>>> from sknetwork.data import karate_club
>>> diffusion = DiffusionClassifier()
>>> graph = karate_club(metadata=True)
>>> adjacency = graph.adjacency
>>> labels_true = graph.labels
>>> labels = {0: labels_true[0], 33: labels_true[33]}
>>> labels_pred = diffusion.fit_predict(adjacency, labels)
>>> round(np.mean(labels_pred == labels_true), 2)
0.97

參考文件

Zhu, X., Lafferty, J., & Rosenfeld, R. (2005). Semi-supervised learning with graphs (Doctoral dissertation, Carnegie Mellon University, language technologies institute, school of computer science).

fit(input_matrix: csr_matrix | ndarray, labels: ndarray | list | dict | None = None, labels_row: ndarray | list | dict | None = None, labels_col: ndarray | list | dict | None = None, force_bipartite: bool = False) → DiffusionClassifier

計算 Dirichlet 問題的解（平衡狀態下溫度）。

參數:

• input_matrix (sparse.csr_matrix, np.ndarray) – 圖形的鄰接矩陣或雙鄰接矩陣。

• labels (dict, np.ndarray) – 已知標籤（字典或整數向量）。負值標籤會被忽略。

• labels_row (dict, np.ndarray) – 雙部分圖的列標籤。負值標籤會被忽略。

• 標籤_列（字典, np.ndarray）– 二部圖之列標籤。忽略負值。

• 強制二部（布林值）– 若 True，則將輸入矩陣視為二鄰接矩陣（預設值 = False）。

傳回值:

這個物件

傳回值型別:

擴散分類器

fit_predict(*args, **kwargs) → ndarray

將演算法配適到資料，並傳回標籤。與 fit 方法的參數相同。

傳回值:

標籤– 標籤。

傳回值型別:

np.ndarray

fit_predict_proba(*args, **kwargs) → ndarray

將演算法配適到資料，並傳回標籤的機率分配。與 fit 方法的參數相同。

傳回值:

機率– 各標籤的機率。

傳回值型別:

np.ndarray

fit_transform(*args, **kwargs) → csr_matrix

將演算法配適到資料，並以稀疏格式傳回標籤的機率分配。與 fit 方法的參數相同。

傳回值:

機率– 標籤的機率分配。

傳回值型別:

sparse.csr_matrix

get_params()

以字典型態取得參數。

傳回值:

參數– 演算法的參數。

傳回值型別:

dict

predict(columns: 布林值 = False) → ndarray

回傳演算法預測的標籤。

參數:

columns (布林值) – 如果為 True，則回傳欄位的預測值。

傳回值:

標籤– 標籤。

傳回值型別:

np.ndarray

predict_proba(columns=False) → ndarray

回傳此演算法預測的標籤機率分布。

參數:

columns (布林值) – 如果為 True，則回傳欄位的預測值。

傳回值:

機率– 標籤的機率分配。

傳回值型別:

np.ndarray

set_params(params: dict) → 演算法

設定演算法參數。

參數:

params (dict) – 演算法參數。

傳回值:

這個物件

傳回值型別:

演算法

transform(columns=False) → csr_matrix

回傳稀疏格式的標籤機率分布。

參數:

columns (布林值) – 如果為 True，則回傳欄位的預測值。

傳回值:

機率– 標籤的機率分配。

傳回值型別:

sparse.csr_matrix

最近鄰居

類別 sknetwork.classification.NNClassifier(近鄰數: int = 3, 內嵌方法: BaseEmbedding | 無 = 無, 正規化: bool = 真實)

內嵌空間中透過 K 近鄰分類節點。

參數:

• 近鄰數 (int) – 近鄰數。

• 內嵌方法 (BaseEmbedding) – 內嵌方法用於表示向量空間中的節點。如果無（預設值），使用身分。

• 正規化 (bool) – 如果真實，套用正規化，使在內嵌空間中所有向量的範數為 1。

變數:

• labels (np.ndarray, shape (n_labels,)) – 節點的標籤。

• probs (sparse.csr_matrix, shape (n_row, n_labels)) – 在標籤上的機率分配。

• labels_row (np.ndarray) – 列的標籤，針對二部圖。

• labels_col (np.ndarray) – 欄的標籤，針對二部圖。

• probs_row (sparse.csr_matrix, shape (n_row, n_labels)) – 列標籤上的機率分配，針對二部圖。

• probs_col (sparse.csr_matrix, shape (n_col, n_labels)) – 欄標籤上的機率分配，針對二部圖。

範例

>>> from sknetwork.classification import NNClassifier
>>> from sknetwork.data import karate_club
>>> classifier = NNClassifier(n_neighbors=1)
>>> graph = karate_club(metadata=True)
>>> adjacency = graph.adjacency
>>> labels_true = graph.labels
>>> labels = {0: labels_true[0], 33: labels_true[33]}
>>> labels_pred = classifier.fit_predict(adjacency, labels)
>>> round(np.mean(labels_pred == labels_true), 2)
0.82

fit(input_matrix: csr_matrix | ndarray, labels: ndarray | list | dict | None = None, labels_row: ndarray | list | dict | None = None, labels_col: ndarray | list | dict | None = None) → NNClassifier

節點分類為在嵌入空間中的 k-最近鄰居。

參數:

• input_matrix (sparse.csr_matrix, np.ndarray) – 圖形的鄰接矩陣或雙鄰接矩陣。

• 標籤 (np.ndarray, 字典) – 已知標籤。忽略負值。

• labels_row (np.ndarray, 字典) – 二部圖中已知列標籤。

• labels_col (np.ndarray, 字典) – 二部圖中已知欄標籤。

傳回值:

這個物件

傳回值型別:

KNN

fit_predict(*args, **kwargs) → ndarray

將演算法配適到資料，並傳回標籤。與 fit 方法的參數相同。

傳回值:

標籤– 標籤。

傳回值型別:

np.ndarray

fit_predict_proba(*args, **kwargs) → ndarray

將演算法配適到資料，並傳回標籤的機率分配。與 fit 方法的參數相同。

傳回值:

機率– 各標籤的機率。

傳回值型別:

np.ndarray

fit_transform(*args, **kwargs) → csr_matrix

將演算法配適到資料，並以稀疏格式傳回標籤的機率分配。與 fit 方法的參數相同。

傳回值:

機率– 標籤的機率分配。

傳回值型別:

sparse.csr_matrix

get_params()

以字典型態取得參數。

傳回值:

參數– 演算法的參數。

傳回值型別:

dict

predict(columns: bool = False) → ndarray

回傳演算法預測的標籤。

參數:

columns (布林值) – 如果為 True，則回傳欄位的預測值。

傳回值:

標籤– 標籤。

傳回值型別:

np.ndarray

predict_proba(columns=False) → ndarray

回傳此演算法預測的標籤機率分布。

參數:

columns (布林值) – 如果為 True，則回傳欄位的預測值。

傳回值:

機率– 標籤的機率分配。

傳回值型別:

np.ndarray

set_params(params: dict) → Algorithm

設定演算法參數。

參數:

params (dict) – 演算法參數。

傳回值:

這個物件

傳回值型別:

演算法

transform(columns=False) → csr_matrix

回傳稀疏格式的標籤機率分布。

參數:

columns (布林值) – 如果為 True，則回傳欄位的預測值。

傳回值:

機率– 標籤的機率分配。

傳回值型別:

sparse.csr_matrix

傳遞

類別 sknetwork.classification.Propagation(n_iter: float = -1, node_order: str | None = None, weighted: bool = True)

對標籤傳遞進行節點分類。

參數:

• n_iter (float) – 最大迭代次數（-1 表示無限次）。

• node_order (str) –

  • 'random'：節點標籤會以隨機順序更新。

  • 'increasing'：節點標籤會依據（in）權重遞增順序更新。

  • 'decreasing'：節點標籤會依據（in）權重遞減順序更新。

  • 否則，節點標籤會依據索引順序更新。

• weighted (bool) – 若 True，每個鄰點的表決權重會與邊緣權重成正比。否則，所有表決權重都為 1。

變數:

• labels (np.ndarray, shape (n_labels,)) – 節點的標籤。

• probs (sparse.csr_matrix, shape (n_row, n_labels)) – 在標籤上的機率分配。

• labels_row (np.ndarray) – 列的標籤，針對二部圖。

• labels_col (np.ndarray) – 欄的標籤，針對二部圖。

• probs_row (sparse.csr_matrix, shape (n_row, n_labels)) – 列標籤上的機率分配，針對二部圖。

• probs_col (sparse.csr_matrix, shape (n_col, n_labels)) – 欄標籤上的機率分配，針對二部圖。

範例

>>> from sknetwork.classification import Propagation
>>> from sknetwork.data import karate_club
>>> propagation = Propagation()
>>> graph = karate_club(metadata=True)
>>> adjacency = graph.adjacency
>>> labels_true = graph.labels
>>> labels = {0: labels_true[0], 33: labels_true[33]}
>>> labels_pred = propagation.fit_predict(adjacency, labels)
>>> np.round(np.mean(labels_pred == labels_true), 2)
0.94

參考文件

Raghavan, U. N., Albert, R., & Kumara, S. (2007). 近似線性時間演算法用於偵測大型網路社群結構。 Physical review E, 76(3), 036106.

fit(input_matrix: csr_matrix | ndarray, labels: ndarray | list | dict | None = None, labels_row: ndarray | list | dict | None = None, labels_col: ndarray | list | dict | None = None) → Propagation

對標籤傳遞進行節點分類。

參數:

• input_matrix (sparse.csr_matrix, np.ndarray) – 圖形的鄰接矩陣或雙鄰接矩陣。

• 標籤（陣列、清單或字典）– 已知的標籤。忽略負值。

• 標籤_列（陣列、清單或字典）– 二部圖中已知列標籤。

• 標籤_行（陣列、清單或字典）– 二部圖中已知行標籤。

傳回值:

這個物件

傳回值型別:

傳播

fit_predict(*args, **kwargs) → ndarray

將演算法配適到資料，並傳回標籤。與 fit 方法的參數相同。

傳回值:

標籤– 標籤。

傳回值型別:

np.ndarray

fit_predict_proba(*args, **kwargs) → ndarray

將演算法配適到資料，並傳回標籤的機率分配。與 fit 方法的參數相同。

傳回值:

機率– 各標籤的機率。

傳回值型別:

np.ndarray

fit_transform(*args, **kwargs) → csr_matrix

將演算法配適到資料，並以稀疏格式傳回標籤的機率分配。與 fit 方法的參數相同。

傳回值:

機率– 標籤的機率分配。

傳回值型別:

sparse.csr_matrix

get_params()

以字典型態取得參數。

傳回值:

參數– 演算法的參數。

傳回值型別:

dict

predict(columns: bool = False) → ndarray

回傳演算法預測的標籤。

參數:

columns (布林值) – 如果為 True，則回傳欄位的預測值。

傳回值:

標籤– 標籤。

傳回值型別:

np.ndarray

predict_proba(columns=False) → ndarray

回傳此演算法預測的標籤機率分布。

參數:

columns (布林值) – 如果為 True，則回傳欄位的預測值。

傳回值:

機率– 標籤的機率分配。

傳回值型別:

np.ndarray

set_params(params: dict) → Algorithm

設定演算法參數。

參數:

params (dict) – 演算法參數。

傳回值:

這個物件

傳回值型別:

演算法

transform(columns=False) → csr_matrix

回傳稀疏格式的標籤機率分布。

參數:

columns (布林值) – 如果為 True，則回傳欄位的預測值。

傳回值:

機率– 標籤的機率分配。

傳回值型別:

sparse.csr_matrix

PageRank

類別 sknetwork.classification.PageRankClassifier(阻尼係數: 浮點數 = 0.85, 解算器: 字串 = 'piteration', 反覆次數: 整數 = 10, 容許誤差: 浮點數 = 0.0, 工作執行緒: 整數 | 無 = 無, 詳細資料: 布林值 = 錯誤)

透過多個個人化 PageRank 進行節點分類。

參數:

• 阻尼係數 (浮點數) – 繼續隨機漫步的機率。

• 解算器 (字串) – 要使用的解算器：‘piteration’、‘diteration’、‘bicgstab’、‘lanczos’。

• 反覆次數 (整數) – 一些解算器的反覆次數，例如 'piteration' 或 'diteration'。

• 容許誤差 (浮點數) – 一些解算器的收斂容許誤差，例如 'bicgstab' 或 'lanczos'。

變數:

• labels (np.ndarray, shape (n_labels,)) – 節點的標籤。

• probs (sparse.csr_matrix, shape (n_row, n_labels)) – 在標籤上的機率分配。

• labels_row (np.ndarray) – 列的標籤，針對二部圖。

• labels_col (np.ndarray) – 欄的標籤，針對二部圖。

• probs_row (sparse.csr_matrix, shape (n_row, n_labels)) – 列標籤上的機率分配，針對二部圖。

• probs_col (sparse.csr_matrix, shape (n_col, n_labels)) – 欄標籤上的機率分配，針對二部圖。

範例

>>> from sknetwork.classification import PageRankClassifier
>>> from sknetwork.data import karate_club
>>> pagerank = PageRankClassifier()
>>> graph = karate_club(metadata=True)
>>> adjacency = graph.adjacency
>>> labels_true = graph.labels
>>> labels = {0: labels_true[0], 33: labels_true[33]}
>>> labels_pred = pagerank.fit_predict(adjacency, labels)
>>> np.round(np.mean(labels_pred == labels_true), 2)
0.97

參考文件

Lin, F., & Cohen, W. W. (2010). 使用極少數標籤的網路資料半監督分類。 在 IEEE 社群網路分析與探勘國際會議。

fit(input_matrix: csr_matrix | ndarray, labels: ndarray | dict | None = None, labels_row: ndarray | dict | None = None, labels_col: ndarray | dict | None = None) → RankClassifier

調整資料演算法。

參數:

• input_matrix – 圖形的鄰接矩陣或雙鄰接矩陣。

• labels – 已知標籤（字典或陣列；忽略負值）。

• labels_row – 已知行和列標籤（雙部圖形用）。

• labels_col – 已知行和列標籤（雙部圖形用）。

傳回值:

這個物件

傳回值型別:

RankClassifier

fit_predict(*args, **kwargs) → ndarray

將演算法配適到資料，並傳回標籤。與 fit 方法的參數相同。

傳回值:

標籤– 標籤。

傳回值型別:

np.ndarray

fit_predict_proba(*args, **kwargs) → ndarray

將演算法配適到資料，並傳回標籤的機率分配。與 fit 方法的參數相同。

傳回值:

機率– 各標籤的機率。

傳回值型別:

np.ndarray

fit_transform(*args, **kwargs) → csr_matrix

將演算法配適到資料，並以稀疏格式傳回標籤的機率分配。與 fit 方法的參數相同。

傳回值:

機率– 標籤的機率分配。

傳回值型別:

sparse.csr_matrix

get_params()

以字典型態取得參數。

傳回值:

參數– 演算法的參數。

傳回值型別:

dict

predict(columns: bool = False) → ndarray

回傳演算法預測的標籤。

參數:

columns (布林值) – 如果為 True，則回傳欄位的預測值。

傳回值:

標籤– 標籤。

傳回值型別:

np.ndarray

predict_proba(columns=False) → ndarray

回傳此演算法預測的標籤機率分布。

參數:

columns (布林值) – 如果為 True，則回傳欄位的預測值。

傳回值:

機率– 標籤的機率分配。

傳回值型別:

np.ndarray

set_params(params: dict) → Algorithm

設定演算法參數。

參數:

params (dict) – 演算法參數。

傳回值:

這個物件

傳回值型別:

演算法

transform(columns=False) → csr_matrix

回傳稀疏格式的標籤機率分布。

參數:

columns (布林值) – 如果為 True，則回傳欄位的預測值。

傳回值:

機率– 標籤的機率分配。

傳回值型別:

sparse.csr_matrix

測量標準

sknetwork.classification.get_accuracy_score(labels_true: ndarray, labels_pred: ndarray) → float

傳回正確標記的樣本比例。忽略負面標記。

參數:

• labels_true (np.ndarray) – 正確標記。

• labels_pred (np.ndarray) – 預測標記。

傳回值:

accuracy – 0 到 1 之間的分數。

傳回值型別:

float

範例

>>> import numpy as np
>>> labels_true = np.array([0, 0, 1, 1])
>>> labels_pred = np.array([0, 0, 0, 1])
>>> round(get_accuracy_score(labels_true, labels_pred), 2)
0.75

sknetwork.classification.get_f1_score(labels_true: ndarray, labels_pred: ndarray, return_precision_recall: bool = False) → float | Tuple[float, float, float]

傳回二元分類的 f1 分數。忽略負面標記。

參數:

• labels_true (np.ndarray) – 正確標記。

• labels_pred (np.ndarray) – 預測標記。

• return_precision_recall (bool) – 若為 True，也會傳回準確度與召回率。

傳回值:

score, [precision, recall] – F1 分數（介於 0 到 1 之間）。選擇性地，也會傳回準確度與召回率。

傳回值型別:

np.ndarray

範例

>>> import numpy as np
>>> labels_true = np.array([0, 0, 1, 1])
>>> labels_pred = np.array([0, 0, 0, 1])
>>> round(get_f1_score(labels_true, labels_pred), 2)
0.67

sknetwork.classification.get_f1_scores(labels_true: ndarray, labels_pred: ndarray, return_precision_recall: bool = False) → ndarray | Tuple[ndarray, ndarray, ndarray]

傳回多標籤分類的 f1 分數（每個標籤一個）。忽略負標籤。

參數:

• labels_true (np.ndarray) – 正確標記。

• labels_pred (np.ndarray) – 預測標記。

• return_precision_recall (bool) – 如果 True，還會傳回準確率與召回率。

傳回值:

scores, [precisions, recalls] – F1 分數（介於 0 與 1 之間）。選擇性地，也會傳回 F1 準確率與召回率。

傳回值型別:

np.ndarray

範例

>>> import numpy as np
>>> labels_true = np.array([0, 0, 1, 1])
>>> labels_pred = np.array([0, 0, 0, 1])
>>> np.round(get_f1_scores(labels_true, labels_pred), 2)
array([0.8 , 0.67])

sknetwork.classification.get_average_f1_score(labels_true: ndarray, labels_pred: ndarray, average: str = 'macro') → float

傳回多標籤分類的平均 f1 分數。忽略負標籤。

參數:

• labels_true (np.ndarray) – 正確標記。

• labels_pred (np.ndarray) – 預測標記。

• average (str) – 平均方法。可以是 'macro'（預設）、'micro' 或 'weighted'。

傳回值:

score – 平均 F1 分數（介於 0 與 1 之間）。

傳回值型別:

float

範例

>>> import numpy as np
>>> labels_true = np.array([0, 0, 1, 1])
>>> labels_pred = np.array([0, 0, 0, 1])
>>> round(get_average_f1_score(labels_true, labels_pred), 2)
0.73

sknetwork.classification.取得混淆矩陣(實際標籤: NumPy 陣列, 預測標籤: NumPy 陣列) → 稀疏矩陣

以稀疏矩陣格式傳回混淆矩陣 (實際標籤在列，預測標籤在欄)。忽略負標籤。

參數:

• labels_true (np.ndarray) – 正確標記。

• labels_pred (np.ndarray) – 預測標記。

傳回值:

混淆矩陣 – 混淆矩陣。

傳回值型別:

sparse.csr_matrix

範例

>>> import numpy as np
>>> labels_true = np.array([0, 0, 1, 1])
>>> labels_pred = np.array([0, 0, 0, 1])
>>> get_confusion_matrix(labels_true, labels_pred).toarray()
array([[2, 0],
       [1, 1]])