聚类

aeon.clustering 模块包含用于时间序列聚类的算法。

可以使用aeon.registry.all_estimators工具列出aeon中的所有聚类器，使用estimator_types=”clusterer”，并可选地通过标签进行过滤。可以使用aeon.registry.all_tags列出有效的标签。

聚类算法

KASBA([n_clusters, distance, ...])	KASBA 聚类器 [Rd394677c9e81-1].
TimeSeriesKMeans([n_clusters, init, ...])	时间序列K均值聚类实现。
TimeSeriesKMedoids([n_clusters, init, ...])	时间序列K-medoids实现。
TimeSeriesKShape([n_clusters, init, n_init, ...])	Kshape算法：tslearn实现的封装。
TimeSeriesKernelKMeans([n_clusters, kernel, ...])	核K均值 [R3e7c374b18c1-1]: tslearn 实现的封装。
TimeSeriesCLARA([n_clusters, init, ...])	时间序列CLARA实现。
TimeSeriesCLARANS([n_clusters, init, ...])	时间序列CLARANS实现。
ElasticSOM([n_clusters, distance, init, ...])	弹性自组织映射（SOM）聚类算法。
KSpectralCentroid([n_clusters, max_shift, ...])	K-谱质心聚类实现。

深度学习

AEFCNClusterer([estimator, ...])	基于自动编码器的全卷积网络（FCN），如[R4f194d8f8b22-1]中所述。
AEResNetClusterer([estimator, ...])	使用残差网络骨干的自动编码器进行聚类。
AEDCNNClusterer([estimator, ...])	基于自编码器的扩张卷积网络（DCNN），如[1]_所述。
AEDRNNClusterer([estimator, ...])	基于自动编码器的扩张循环神经网络（DRNN）。
AEAttentionBiGRUClusterer([estimator, ...])	基于注意力机制的双向GRU网络的自动编码器。
AEBiGRUClusterer([estimator, ...])	基于自动编码器的双向GRU网络。

基于特征的

Catch22Clusterer([features, catch24, ...])	典型时间序列特征（catch22）聚类器。
SummaryClusterer([summary_stats, estimator, ...])	摘要统计聚类器。
TSFreshClusterer([default_fc_parameters, ...])	基于可扩展假设检验聚类器的时间序列特征提取。

组合

ClustererPipeline(transformers, clusterer[, ...])

转换器和聚类器的管道。

平均

kasba_average(X, init_barycenter, ...[, ...])	KASBA 平均值 [R72eab3d4645a-1].
elastic_barycenter_average(X[, distance, ...])	使用弹性距离计算时间序列的重心平均值。
mean_average(X, **kwargs)	计算时间序列的平均值。
petitjean_barycenter_average(X[, distance, ...])	使用弹性距离计算时间序列的重心平均值。
subgradient_barycenter_average(X[, ...])	计算时间序列的随机次梯度重心平均值。
shift_invariant_average(X[, initial_center, ...])

虚拟

DummyClusterer([strategy, n_clusters, ...])

用于基准测试的虚拟聚类。

基础

BaseClusterer()

时间序列聚类器的抽象基类。

BaseDeepClusterer([estimator, batch_size, ...])

深度学习时间序列聚类器的抽象基类。