独立高斯混合（DSIGM）聚类的密度敏感自稳定
项目描述
## DSIGM 聚类算法
[](https://travis-ci.com/paradoxysm/dsigm ) []( https://codecov.io/gh/paradoxysm/dsigm ) []( https://github.com/paradoxysm/dsigm/blob/master/许可证）
＃＃ 概述
独立高斯混合的密度敏感自稳定 (DSIGM) 聚类算法是一种新颖的算法，旨在识别数据中允许预测分类的理想聚类。DSIGM 可以概念化为两层聚类算法。基础层是一个自稳定高斯混合模型 (SGMM)，它识别数据底层分布的混合分量。紧随其后的是顶层聚类算法，该算法试图以密度敏感的方式将这些组件分组到集群中。结果是一个允许可变和不规则形状的集群的集群，这些集群可以明智地对假定为同一分布的一部分的新数据进行分类。
有关 DSIGM 的更多详细信息，请参阅文档 [此处]（https://github.com/paradoxysm/dsigm/tree/0.3.1/doc）。
＃＃ 安装
### 依赖项
dsigm要求： `numpy scipy sklearn`dsigm 在Python 3.4+ 到 Python 3.7 上经过测试和支持。不能保证在其他版本的 Python 上的使用按预期工作。
### 用户安装
dsigm可以使用`pip`轻松安装
` pip install dsigm `
有关使用的更多详细信息，请参阅文档 [此处]( https://github.com/paradoxysm/dsigm/tree/0.3.1/doc )。
## 变更日志
请参阅 [changelog]( https://github.com/paradoxysm/dsigm/blob/0.3.1/CHANGES.md ) 了解 dsigm 的显着变化历史。
＃＃ 发展
[]( https://codeclimate.com/github/paradoxysm/dsigm/可维护性）
dsigm仍在开发中。从0.3.1开始，仅实现了自稳定高斯混合模型 (SGMM)。
开发和发布主要分为三个分支。[ master ]( https://github.com/paradoxysm/dsigm ) 是当前的开发版本；[ staging ]( https://github.com/paradoxysm/dsigm/tree/staging ) 是发布的 staging 分支；[发布]( https://github.com/paradoxysm/dsigm/tree/release ) 是当前的公开发布版本。
＃＃ 帮助和支持
### 文档
可以在 [这里]( https://github.com/paradoxysm/dsigm/tree/0.3.1/doc )找到dsigm的文档。
### 问题和疑问
问题和问题应提交给问题跟踪器 [此处]( https://github.com/paradoxysm/dsigm/issues )。
下载文件
下载适用于您平台的文件。如果您不确定要选择哪个，请了解有关安装包的更多信息。