scipy.cluster.vq.

vq#

scipy.cluster.vq.vq(obs, code_book, check_finite=True)[Quelle]#

Weist Codes aus einem Codebuch Beobachtungen zu.

Weist jeder Beobachtung einen Code aus einem Codebuch zu. Jeder Beobachtungsvektor im 'M' mal 'N' obs-Array wird mit den Zentroiden im Codebuch verglichen und der Code des nächstgelegenen Zentroiden zugewiesen.

Die Merkmale in obs sollten Einheitsvarianz aufweisen, was durch das Durchlaufen der `whiten`-Funktion erreicht werden kann. Das Codebuch kann mit dem k-Means-Algorithmus oder einem anderen Kodierungsalgorithmus erstellt werden.

Parameter:

obsndarray

Jede Zeile des 'M' x 'N' Arrays ist eine Beobachtung. Die Spalten sind die "Merkmale", die während jeder Beobachtung gesehen wurden. Die Merkmale müssen zuerst mit der `whiten`-Funktion oder etwas Äquivalentem aufgehellt werden.

code_bookndarray

Das Codebuch wird normalerweise mit dem k-Means-Algorithmus generiert. Jede Zeile des Arrays enthält einen anderen Code, und die Spalten sind die Merkmale des Codes.

#              f0  f1  f2  f3
code_book = [[ 1., 2., 3., 4.],  #c0
             [ 1., 2., 3., 4.],  #c1
             [ 1., 2., 3., 4.]]  #c2

check_finitebool, optional

Ob überprüft werden soll, ob die Eingabematrizen nur endliche Zahlen enthalten. Deaktivieren kann die Leistung verbessern, kann aber zu Problemen (Abstürze, Nicht-Terminierung) führen, wenn die Eingaben Unendlichkeiten oder NaNs enthalten. Standard: True

Rückgabe:

codendarray: Ein Array der Länge M, das den Index des Codebuchs für jede Beobachtung enthält.
distndarray: Die Verzerrung (Distanz) zwischen der Beobachtung und ihrem nächstgelegenen Code.

Hinweise

vq unterstützt experimentell Python Array API Standard-kompatible Backends zusätzlich zu NumPy. Bitte testen Sie diese Funktionen, indem Sie eine Umgebungsvariable SCIPY_ARRAY_API=1 setzen und CuPy-, PyTorch-, JAX- oder Dask-Arrays als Array-Argumente bereitstellen. Die folgenden Kombinationen aus Backend und Gerät (oder anderen Fähigkeiten) werden unterstützt.

Bibliothek	CPU	GPU
NumPy	✅	n/a
CuPy	n/a	⛔
PyTorch	✅	⛔
JAX	⚠️ kein JIT	⛔
Dask	⚠️ berechnet Graph	n/a

Siehe Unterstützung für den Array API Standard für weitere Informationen.

Beispiele

>>> import numpy as np
>>> from scipy.cluster.vq import vq
>>> code_book = np.array([[1., 1., 1.],
...                       [2., 2., 2.]])
>>> features  = np.array([[1.9, 2.3, 1.7],
...                       [1.5, 2.5, 2.2],
...                       [0.8, 0.6, 1.7]])
>>> vq(features, code_book)
(array([1, 1, 0], dtype=int32), array([0.43588989, 0.73484692, 0.83066239]))