-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathSpectral.py
144 lines (115 loc) · 5.27 KB
/
Spectral.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
from copy import deepcopy
from collections import defaultdict
import numpy as np
import numpy.linalg as LA
import networkx as nx
from sklearn.cluster import KMeans
from Tools import DisjointSet
class SpectralEmbeddingEstimator:
def __init__(self):
self.graph = None
self.laplacian = None
self.eigen_vectors = None
self.eigen_values = None
def fit(self, graph):
self.graph = deepcopy(graph)
t = np.array([*map(int,np.array(list(self.graph.degree())).T[1].T)])
Laplacian = np.eye(t.shape[0])*t - nx.to_numpy_array(self.graph)
self.laplacian = Laplacian
self.eigenvalues, self.eigenvectors = LA.eig(self.laplacian)
def predict(self, dimension=2):
if dimension > self.laplacian.shape[0] - 1 or dimension < 1:
raise ValueError(f"Wrong dimension: {dimension}")
spectral_embeds = np.array([*map(lambda item: item[1],
sorted(dict(zip(self.eigenvalues,
self.eigenvectors.T)).items(),
key=lambda item: item[0]))][1:dimension+1]).T
return spectral_embeds
def fit_predict(self, graph, dimension=2):
self.fit(graph)
return self.predict(dimension)
# def _get_laplacian(self):
# def get_graph_node_embs(self, dimension = 2):
# self._get_laplacian()
# доп идея - модельку можно переделать на лад скилерна или
# сделать аггрегацию и наоборот
# основная идея - не отлавливать ошибки во время принимания параметров
# в диалговом окне, а отлавливать конфигуратором
# таким образом передача ошибки будет идти наверх в юай, где поднимем окошко
# что все пошло наперекосяк
# TODO
# тудушки - дедлайн - 2 ДНЯ до 27, 27 пишем доки
# 0) поправить идею выше
# 1) подключить марковский кластеризатор
# 2) подключить Медоидовский кластеризатор
# 3) Добавить редакцию графа
# 4) Добавить поддержку файлов
# 5) Добавить дублирование вкладок (опционально, но удобно) ===== YES
# 6) ...
class SpectralClusterizer(KMeans):
def __init__(self, n_clusters,**kwargs):
super().__init__(n_clusters,**kwargs)
def fit(self, node_embeds):
super().fit(node_embeds)
def fit_predict(self, node_embeds):
self.fit(node_embeds)
return self.predict(node_embeds)
def predict(self, node_embeds):
nodes_clusters_indices = super().predict(node_embeds)
clusters_indices2sets = defaultdict(set)
for node_index,cluster_index in enumerate(nodes_clusters_indices):
clusters_indices2sets[cluster_index].add(node_index)
return list(clusters_indices2sets.values())
class SpectralConfigurator:
def __init__(self, configs):
self.node_embed_dimension = configs.get("node_embedding_dimension", 2)
self.n_clusters = configs.get("n_clusters", 3)
self.init = configs.get("init", 'k-means++')
self.n_init = configs.get("n_init", 10)
self.max_iter = configs.get("max_iter", 300)
self.tol = configs.get("tol", 0.0001)
# self.precompute_distances = configs.get(
# "precompute_distances", 'deprecated')
self.verbose = configs.get("verbose", 0)
self.random_state = configs.get("random_state", None)
self.copy_x = configs.get("copy_x", True)
# self.n_jobs = configs.get("n_jobs", 'deprecated')
self.algorithm = configs.get("algorithm", "auto")
def get_params_estimator(self):
return {"dimension":self.node_embed_dimension}
def get_params_clusterizer(self):
return {"n_clusters" : self.n_clusters,
"init":self.init,
"n_init":self.n_init,
"max_iter": self.max_iter,
"tol":self.tol,
"random_state":self.random_state,
"copy_x":self.copy_x,
"algorithm":self.algorithm}
# "n_jobs":self.n_jobs,
# "precompute_distances":self.precompute_distances,
# (self.n_clusters, self.init, self.n_init, self.max_iter, self.tol,\
# self.precompute_distances, self.random_state, self.copy_x, self.n_jobs,\
# self.algorithm)
# prev
# init='k-means++',
# n_init=10,
# max_iter=300,
# tol=0.0001,
# precompute_distances='deprecated',
# verbose=0,
# random_state=None,
# copy_x=True,
# n_jobs='deprecated',
# algorithm='auto'
# self.node_embed_dimension = node_embed_dimension
# self.n_clusters = n_clusters
# self.init = init
# self.n_init = n_init
# self.max_iter = max_iter
# self.tol = tol
# self.precompute_distances = precompute_distances
# self.random_state = random_state
# self.copy_x = copy_x
# self.n_jobs = n_jobs
# self.algorithm = algorithm