The project over 2 year of HSE Faculty of Computer Science 2016-2017
Задача актуальна, так как она дополняет библиотеку достаточно извеcтными инструментом, и в случае публикации даст новые возможности в manifold learning.
Так как нам дана бибилиотека, которая доллжна исползоваться, то инструменты такие, которые подходят для работы с этой бибилиотекой: интерпретатор Python с нужными зависимостями, сама библиотека scikit-learn, как основа и GitHub.
КТ1: Документация по проекту и репозиторий
КТ2: "Out of sample" для алгоритма Spectral Embedding: для "nearest_neighbors" метода поиска affinity matrix
КТ3: "Inverse out of sample" для реализованого алгоритма к КТ2
- Выложена документация к проекту
- Разобрана теоритическая основа проекта
- Реализован метод получения вложения для новых точек ("Out of sample")
- Выстроена логика тестирования моего вклада в эту бибилиотеку
- Протестирована реализация "Out of sample"
- Реализован метод получения точки в исходной размерности пространства для новых точек вложения ("Inverse out of sample")
- Протестирована реализация "Inverse out of sample"
Исходная точка репозитория - дубликат репозитория scikit-learn.
Были изменены следующие объекты:
Были добавлены следующие объекты:
- директория mytests скрипт-установщик/переустановщик reinstall.sh
- README.md (этот файл)
Этот способ у меня не заработал на трех из трех операционных системах семейства Ubuntu
Так как я дописываю библиотеку scikit-learn, то наилучшая документация находится в репозитории scikit-learn и на страницах бибилиотеки. У меня хранится копия инструкции по работе с исходным кодом (раздел development).
Есть следующая инструкция по установке:
- Устанавливаем необходимые для сборки компоненты
- Переходим к параграфу для сборки из исходного кода
- Скачиваем исходный код по предложенной ссылке на pypi
- В распакованном коде подменяем файлы с кодом файлами, которые модифицировались, из этого репозитория, на данный момент это: spectral_embedding_.py,
mds.py (Для MDS сделаны только сигнатуры,но не алгоритм) - Изучите скрипт reinstall.sh в mytests и при необходимости адаптируте под свою систему. Неизвестно, что будет, если к моменту запуска этого скрипта или сборке по инструкции есть установленный иным способом sklearn!
- Первый раз можно установить, как строкой "python3 setup.py install", так и запуском скрипта из корневой директории скачанного с pypi sklearn (скрипт запускать с правами администратора). Работа на python2 не гарантируется!
- При необходимости переустановки запустите скрипт из корневой директории скачанного с pypi sklearn с правами администратора
После выполнения шагов по подготовке в собственном python-коде можно написать "import sklearn", "import sklearn.manifold" или "from sklearn.manifold import SpectralEmbedding" (если нужно использовать написанное мной), чтобы использовать scikit-learn
Работа на python2 и всех системах кроме Ubuntu 14.04.5 Desktop и старше не гарантируется! Для тестирования есть два модуля в папке mytests (генератор выборки dataset_generator.py и файл с тестирующим SpectralEmbedding кодом se_test.py, они могут быть в любом месте, но главное, чтобы в одной директории.
В директории с этими модулями написать "python3 se_test.py аргументы", где первый опциональный аргумент может принимать значение "list" (показывается результат работы всех генераторов) или "show" (показать результат работы n-ого генератора, n - целочисленное неотрицательное значение второго аргумента). "python3 se_test.py" эквивалентно "0". Если первый аргумент "show" и не указан второй аргумент или указан неправильно, то поведение неопределенно. В остальных случаях программа завершится, ничего не сделав.
Генераторы: 0. Базовый, согнутый участок плосоксти
- Труба ширины 1 и радиусом 2
- Сдвинутое кольцо ширины 1
- Спираль ширины 1 из одного витка
- Сдвинутая спираль ширины 1 из одного витка
- Сдвинутая спираль ширины 2000 из одного витка
- Лента Мёбиуса ширины 1 и радиуса 1
- Плоскость, согнутая в форме S
- Плоскость, согнутая в спираль
Пример: "python3 se_test.py show 7"
Сверху слева исходная выборка, сверху второе изображение - это исходная выборка + 1000 новых точки, сверху третье изображение - исходная выборка, снизу слева вложение, полученное имеющимся алгоритмом, снизу в центре вложение новых точек, наложенных на вложение исходных точек, вложение с помощью OoS исходной выборки, наложенное на вложение исходной выборки (для оценки работы алгоритма, получилось хорошо).
