from tslearn.clustering import TimeSeriesKMeans
from tslearn.datasets import CachedDatasets
from tslearn.preprocessing import TimeSeriesScalerMeanVariance, TimeSeriesResampler
from tslearn.utils import to_time_series
from tslearn.utils import to_time_series_dataset
from collections import Counter
import numpy as np
from utils.cluster_ts import ClusterTs as cs
[docs]class Kmean(cs):
"""Classe de partitionnement des donnees avec l'algorithm K-mean
Parameters:
* ss : SeriesSupp
instance du manager de series temporelles
Variables:
* seed: int
Valeur d'initialisation de l'algo, random.
* counter: Counter
repartition des objets au sein des clusters
* km: TimeSeriesKMeans
Instance de l'algo
* clust_name: String
Nom de l'algo(affichage des plots)
* metric: String
Choix du metrics utilise, principalement softdtw ici car tres efficace et rapide
"""
def __init__(self, ss):
super().__init__(ss)
self.seed = 0
np.random.seed(self.seed)
self.counter = None
self.km = None
self.clust_name = "Kmean"
self.metric = "softdtw"
[docs] def k_init(self, v = True):
"""
initialisation de l'instance de l'algorithm avec les parametres actuels
Parameters:
* v: boolean
Verbose, affiche les info lie au partitionnement
Returns:
NA
"""
self.km = TimeSeriesKMeans(n_clusters = self.n, metric = self.metric, metric_params = {"gamma_sdtw": .01}, verbose = v, random_state = self.seed)
[docs] def k_fit(self):
"""
Effectue le partitionnement
Parameters:
NA
Returns:
NA
"""
self.ts_clust = self.km.fit_predict(self.ts)
[docs] def cluster_counter(self):
"""
Compte les objets au sein des clusters
Parameters:
NA
Returns:
NA
"""
self.counter = Counter(self.ts_clust)