Una demostración del algoritmo de Co-Clustering Espectral

Este ejemplo demuestra cómo generar un conjunto de datos y biclusterizarlo utilizando el algoritmo Co-Clustering Espectral.

El conjunto de datos se genera mediante la función make_biclusters, que crea una matriz de valores pequeños e implanta biclusters con valores grandes. A continuación, las filas y columnas se barajan y se pasan al algoritmo de Co-Clustering Espectral. La reordenación de la matriz barajada para que los biclústeres sean contiguos muestra la precisión con la que el algoritmo encontró los biclústeres.

• 
• 
• 

Out:

consensus score: 1.000

print(__doc__)

# Author: Kemal Eren <kemal@kemaleren.com>
# License: BSD 3 clause

import numpy as np
from matplotlib import pyplot as plt

from sklearn.datasets import make_biclusters
from sklearn.cluster import SpectralCoclustering
from sklearn.metrics import consensus_score

data, rows, columns = make_biclusters(
    shape=(300, 300), n_clusters=5, noise=5,
    shuffle=False, random_state=0)

plt.matshow(data, cmap=plt.cm.Blues)
plt.title("Original dataset")

# shuffle clusters
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 = SpectralCoclustering(n_clusters=5, random_state=0)
model.fit(data)
score = consensus_score(model.biclusters_,
                        (rows[:, row_idx], columns[:, col_idx]))

print("consensus score: {:.3f}".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.show()