in

Explicación del algoritmo de propagación de afinidad

06ydHXv72leZ0ug1F

Explicación del algoritmo de propagación de afinidad

Cory Maklin

Cory Maklin

1 de julio de 2019·6 min de lectura

Algoritmo

1*DuCgM3HE8IEnTSNN0u2bzg

Matriz de similitud (c)

1*w5GNQGvcBBiaj19TEkEL5A

1*Z bbtQI60 myah7CDMfMVQ

1*FALU6 KZNq0E JTyJq6 Hg

Matriz de responsabilidad (r)

1*UDwCnRgvOBzTrQAFfRbGrw

1*yB53d957OsHIgpwpIvcsaw

1*6NMGinddnbm8YBr0MsWGrw

Matriz de disponibilidad (a)

1*BWRoleeGlz0sTdN03YO mw

1*whEutXc fZHaoTalNPz7MA

1*qVdsaCHeTQvdeDjbXrasEA

1*yRnyw2pYnW6nlwJbT28Uvw

Matriz de criterios (c)

1*3TWh ZGQnRuB8iTAUITg

1*q6OatGPSjRjYA3upRRrvaw

Código

import numpy as np
from matplotlib import pyplot as plt
import seaborn as sns
sns.set()
from sklearn.datasets.samples_generator import make_blobs
from sklearn.cluster import AffinityPropagation
X, clusters = make_blobs(n_samples=300, centers=4, cluster_std=0.60, random_state=0)
plt.scatter(X[:,0], X[:,1], alpha=0.7, edgecolors='b')
1* YawYhZIgwHfLJufuT Hg

af = AffinityPropagation(preference=-50)clustering = af.fit(X)
plt.scatter(X[:,0], X[:,1], c=clustering.labels_, cmap='rainbow', alpha=0.7, edgecolors='b')
1*gogfDt5GspnUe7wG73SDGw

Pensamientos finales

Fuentes

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

EHWRD3YVzSvPsqxos9yWVE 1200 80

Revisión del iPhone X | TechRadar

Bucle while de Java