plt python 自己制定cmap_使用python+sklearn实现谱双聚类算法示例

注意：单击此处 https://urlify.cn/UfURBr 下载完整的示例代码，或通过Binder在浏览器中运行此示例 本示例演示了如何生成一个棋盘数据集并使用谱双聚类(Spectral Biclustering)算法对其进行双聚类。 数据是通过 make_checkerboard 函数生成的，数据经过打乱并传递给谱双聚类算法。重新排列打乱过的矩阵的行和列，以显示该算法找到的双聚类。 行和列标签向量的外积(outer product)显示了棋盘结构的表示形式。

输出：

consensus score: 1.0

print(__doc__)# 作者: Kemal Eren # 许可证: BSD 3 clauseimport numpy as npfrom matplotlib import pyplot as pltfrom sklearn.datasets import make_checkerboardfrom sklearn.cluster import SpectralBiclusteringfrom sklearn.metrics import consensus_scoren_clusters = (4, 3)data, rows, columns = make_checkerboard(    shape=(300, 300), n_clusters=n_clusters, noise=10,    shuffle=False, random_state=0)plt.matshow(data, cmap=plt.cm.Blues)plt.title("Original dataset")# 打乱聚类rng = np.random.RandomState(0)row_idx = rng.permutation(data.shape[0])col_idx = rng.permutation(data.shape[1])data = data[row_idx][:, col_idx]plt.matshow(data, cmap=plt.cm.Blues)plt.title("Shuffled dataset")model = SpectralBiclustering(n_clusters=n_clusters, method='log',                             random_state=0)model.fit(data)score = consensus_score(model.biclusters_,                        (rows[:, row_idx], columns[:, col_idx]))print("consensus score: {:.1f}".format(score))fit_data = data[np.argsort(model.row_labels_)]fit_data = fit_data[:, np.argsort(model.column_labels_)]plt.matshow(fit_data, cmap=plt.cm.Blues)plt.title("After biclustering; rearranged to show biclusters")plt.matshow(np.outer(np.sort(model.row_labels_) + 1,                     np.sort(model.column_labels_) + 1),            cmap=plt.cm.Blues)plt.title("Checkerboard structure of rearranged data")plt.show()

脚本的总运行时间：(0分钟0.800秒) 估计的内存使用量： 8 MB 下载Python源代码: plot_spectral_biclustering.py 下载Jupyter notebook源代码: plot_spectral_biclustering.ipynb 由Sphinx-Gallery生成的画廊

文壹由“伴编辑器”提供技术支持

☆☆☆为方便大家查阅，小编已将scikit-learn学习路线专栏 文章统一整理到公众号底部菜单栏，同步更新中，关注公众号，点击左下方“系列文章”，如图：

欢迎大家和我一起沿着scikit-learn文档这条路线，一起巩固机器学习算法基础。(添加微信：mthler，备注：sklearn学习，一起进【sklearn机器学习进步群】开启打怪升级的学习之旅。)