ECLAIR 1.18

如何生成eclair图和树

eclair代表用于血统分析、推断的集成聚类 以及稳健性。它按如下方式进行：

• 在亲和力传播、分层或k-means聚类中进行选择 和dbscan（cf.我们的 dbscan_multiplex 和 concurrent_ap dbscan和 亲和力传播聚类）用于如何从 数据集的子样本。
• 通过基于密度的下采样（如 在python上发布的密度采样软件中实现 包索引），或者通过针对数据点的总数 从数据集中提取或通过指定 根据每个数据点周围的本地密度建立的分布。
• 然后eclair开始进行几轮下采样 在这样的子样本上进行聚类，迭代次数由指定 用户。在每次对给定子样本进行聚类之后， 下采样过程留下的数据点是 通过将它们与 高维特征空间。
• 对于每次这样的运行，构建一个最小生成树。这个最小值 生成树是由l2对相似矩阵得到的。 在与每个簇相关联的质心之间。
• 下一步从这个集合中获得一致的聚类 整个数据集的分区。三种启发式方法是 为此考虑：CSPA、HGPA和MCLA，所有这些都基于 关于图或超图划分（参见 集群集成 包以获取更多信息。
• 一旦达成一致的聚类，我们就从 共识集群和来自与 这些一致性集群所具有的分区的集合 已计算。此图的边权重计算为 以下分布的平均值：对于每个由 来自一致性集群的一个数据点和另一个数据点 从consense cluster b ，扫描分区集合 记录下两个样本之间的距离 组成群集集成的每个分区。
• 然后我们从这个图中得到一个最小生成树 可视化的便利性以及与 很少有其他方法能提供细胞谱系的估计 （包括流行的黑桃法，其重现性问题刺激了 eclair的发展。本包中的一个模块确实专门用于 说明ECLAir优越的统计性能）。