網(wǎng)上有很多關(guān)于各種pos機怎么裝紙圖解,ML開發(fā)者應(yīng)該了解的五種圖算法的知識，也有很多人為大家解答關(guān)于各種pos機怎么裝紙圖解的問題，今天pos機之家(www.tjfsxbj.com)為大家整理了關(guān)于這方面的知識，讓我們一起來看下吧!
本文目錄一覽：
各種pos機怎么裝紙圖解
選自Medium
作者：Rahul Agarwal
機器之心編譯
參與：高璇、杜偉
作為數(shù)據(jù)科學(xué)家，我們已經(jīng)對 Pandas 或 SQL 等關(guān)系數(shù)據(jù)庫非常熟悉了。我們習(xí)慣于將用戶屬性以列的形式展示在行中。但現(xiàn)實世界的數(shù)據(jù)果真如此嗎？
在互聯(lián)世界中，用戶不能被視為獨立的實體。他們之間存在一定的關(guān)系，我們有時希望在構(gòu)建機器學(xué)習(xí)模型時考慮到這些關(guān)系。
在關(guān)系數(shù)據(jù)庫中，我們無法在不同的行（用戶）之間利用這種關(guān)系，但在圖數(shù)據(jù)庫中，這樣做非常簡單。
在這篇文章中，我們將討論一些數(shù)據(jù)科學(xué)家應(yīng)該了解的非常重要的圖算法，以及如何使用 Python 實現(xiàn)它們。
連接組件
我們都知道聚類的工作機制，你可以將連接組件視為一種在關(guān)聯(lián)/連接數(shù)據(jù)中查找集群/個體的硬聚類算法。
舉個例子：假設(shè)你有連接世界上任何兩個城市道路的數(shù)據(jù)。現(xiàn)在你需要找出世界上所有大洲以及它們所包含的城市。
你將如何實現(xiàn)這一目標(biāo)呢？
我們采用的連接組件算法是基于廣度優(yōu)先搜索算法（Breadth First Search，BFS）/深度優(yōu)先搜索算法（Depth First Search，DFS）的特殊情況。這里不再展開介紹工作原理，我們只看一下如何使用 Networkx 啟動和運行此代碼。
應(yīng)用
從零售角度看：假設(shè)我們有很多客戶使用大量賬戶。使用連接組件算法的一種方法是在這個數(shù)據(jù)集中找出不同的族。
我們可以根據(jù)相同的信用卡使用情況、相同地址、相同手機號碼來建立某些客戶 ID 之間的連接。一旦有這些連接，我們就可以運行連接組件算法為有連接的客戶創(chuàng)建單個集群，然后為其分配一個家庭 ID。
然后，我們可以利用這些家庭 ID，根據(jù)家庭需求提供個性化推薦。我們還可以利用家庭 ID，通過創(chuàng)建基于家庭的分組功能來推進(jìn)分類算法。
從金融角度：另一個用例是利用這些家庭 ID 抓捕詐騙犯。如果某個帳戶有過被欺詐經(jīng)歷，那么關(guān)聯(lián)帳戶很容易再次受到欺詐。
實施的可能性僅僅受到自身想象力的限制。（想象力越豐富，算法的應(yīng)用越廣泛。）
代碼
我們將使用 Python 中的 Networkx 模塊來創(chuàng)建和分析圖。下面以包含城市和城市間距離信息的圖為例，實現(xiàn)我們的目的。
帶有隨機距離的圖
首先創(chuàng)建一個帶有城市名（邊）和距離信息的列表，距離代表邊的權(quán)重。
edgelist = [[\'Mannheim\', \'Frankfurt\', 85], [\'Mannheim\', \'Karlsruhe\', 80], [\'Erfurt\', \'Wurzburg\', 186], [\'Munchen\', \'Numberg\', 167], [\'Munchen\', \'Augsburg\', 84], [\'Munchen\', \'Kassel\', 502], [\'Numberg\', \'Stuttgart\', 183], [\'Numberg\', \'Wurzburg\', 103], [\'Numberg\', \'Munchen\', 167], [\'Stuttgart\', \'Numberg\', 183], [\'Augsburg\', \'Munchen\', 84], [\'Augsburg\', \'Karlsruhe\', 250], [\'Kassel\', \'Munchen\', 502], [\'Kassel\', \'Frankfurt\', 173], [\'Frankfurt\', \'Mannheim\', 85], [\'Frankfurt\', \'Wurzburg\', 217], [\'Frankfurt\', \'Kassel\', 173], [\'Wurzburg\', \'Numberg\', 103], [\'Wurzburg\', \'Erfurt\', 186], [\'Wurzburg\', \'Frankfurt\', 217], [\'Karlsruhe\', \'Mannheim\', 80], [\'Karlsruhe\', \'Augsburg\', 250],["Mumbai", "Delhi",400],["Delhi", "Kolkata",500],["Kolkata", "Bangalore",600],["TX", "NY",1200],["ALB", "NY",800]]
讓我們使用 Networkx 創(chuàng)建一個圖:
g = nx.Graph()for edge in edgelist: g.add_edge(edge[0],edge[1], weight = edge[2])
現(xiàn)在我們想從這張圖中找出不同的大洲及其城市，這可以使用連接組件算法來實現(xiàn)：
for i, x in enumerate(nx.connected_components(g)): print("cc"+str(i)+":",x)------------------------------------------------------------cc0: {\'Frankfurt\', \'Kassel\', \'Munchen\', \'Numberg\', \'Erfurt\', \'Stuttgart\', \'Karlsruhe\', \'Wurzburg\', \'Mannheim\', \'Augsburg\'}cc1: {\'Kolkata\', \'Bangalore\', \'Mumbai\', \'Delhi\'}cc2: {\'ALB\', \'NY\', \'TX\'}
如你所見，只需要利用頂點和邊，我們就能夠在數(shù)據(jù)中找到不同的組件。該算法可以在不同的數(shù)據(jù)上運行，從而滿足上面提到的各種用例。
最短路徑
繼續(xù)使用上述示例，現(xiàn)在我們有德國城市及城市之間距離的圖。如何找到從法蘭克福（起始節(jié)點）到慕尼黑的最短距離？我們用來解決此問題的算法被稱為 Dijkstra。用 Dijkstra 自己的話說：
從鹿特丹到格羅寧根旅行的最短路線是什么？這就是最短路徑算法，我花了大約 20 分鐘設(shè)計了它。一天早上，我和我的未婚妻在阿姆斯特丹購物，累了，我們便坐在咖啡館的露臺上喝咖啡，我只想著能否實現(xiàn)最短路徑算法，然后我成功了。
正如我所說，這是一個二十分鐘的發(fā)明。事實上，它發(fā)表于 1959 年，現(xiàn)在來看它的可讀性也非常高。它之所以如此美妙，其中一個原因就是我沒用筆紙就設(shè)計了它。后來我才知道，沒有筆紙設(shè)計的有點之一是你不得不避免所有可避免的復(fù)雜問題。最終，令我驚訝的是，這個算法成為我的著名成果之一。
應(yīng)用
Dijkstra 算法的變體在 Google 地圖中有著廣泛使用，用于尋找最短路線。
假設(shè)你有沃爾瑪商店中各個過道位置和過道之間距離的數(shù)據(jù)。您希望為從 A 到 D 的顧客提供最短路徑。
你已經(jīng)看到 LinkedIn 顯示一級連接和二級連接的方式。而這背后的機制是什么呢？
代碼
print(nx.shortest_path(g, \'Stuttgart\',\'Frankfurt\',weight=\'weight\'))print(nx.shortest_path_length(g, \'Stuttgart\',\'Frankfurt\',weight=\'weight\'))--------------------------------------------------------[\'Stuttgart\', \'Numberg\', \'Wurzburg\', \'Frankfurt\']503
你也可以找到所有對之間的最短路徑：
for x in nx.all_pairs_dijkstra_path(g,weight=\'weight\'): print(x)--------------------------------------------------------(\'Mannheim\', {\'Mannheim\': [\'Mannheim\'], \'Frankfurt\': [\'Mannheim\', \'Frankfurt\'], \'Karlsruhe\': [\'Mannheim\', \'Karlsruhe\'], \'Augsburg\': [\'Mannheim\', \'Karlsruhe\', \'Augsburg\'], \'Kassel\': [\'Mannheim\', \'Frankfurt\', \'Kassel\'], \'Wurzburg\': [\'Mannheim\', \'Frankfurt\', \'Wurzburg\'], \'Munchen\': [\'Mannheim\', \'Karlsruhe\', \'Augsburg\', \'Munchen\'], \'Erfurt\': [\'Mannheim\', \'Frankfurt\', \'Wurzburg\', \'Erfurt\'], \'Numberg\': [\'Mannheim\', \'Frankfurt\', \'Wurzburg\', \'Numberg\'], \'Stuttgart\': [\'Mannheim\', \'Frankfurt\', \'Wurzburg\', \'Numberg\', \'Stuttgart\']})(\'Frankfurt\', {\'Frankfurt\': [\'Frankfurt\'], \'Mannheim\': [\'Frankfurt\', \'Mannheim\'], \'Kassel\': [\'Frankfurt\', \'Kassel\'], \'Wurzburg\': [\'Frankfurt\', \'Wurzburg\'], \'Karlsruhe\': [\'Frankfurt\', \'Mannheim\', \'Karlsruhe\'], \'Augsburg\': [\'Frankfurt\', \'Mannheim\', \'Karlsruhe\', \'Augsburg\'], \'Munchen\': [\'Frankfurt\', \'Wurzburg\', \'Numberg\', \'Munchen\'], \'Erfurt\': [\'Frankfurt\', \'Wurzburg\', \'Erfurt\'], \'Numberg\': [\'Frankfurt\', \'Wurzburg\', \'Numberg\'], \'Stuttgart\': [\'Frankfurt\', \'Wurzburg\', \'Numberg\', \'Stuttgart\']})....
最小生成樹（Minimum Spanning Tree，MST）
現(xiàn)在我們面臨另一個問題。假設(shè)我們在水管鋪設(shè)公司或電線公司工作。我們需要使用最少的電線/管道來連接圖中所有城市。我們?nèi)绾巫龅竭@一點？
左：無向圖；右：對應(yīng) MST
應(yīng)用
最小生成樹在網(wǎng)絡(luò)設(shè)計中有直接應(yīng)用，包括計算機網(wǎng)絡(luò)、電信網(wǎng)絡(luò)、交通網(wǎng)絡(luò)、供水網(wǎng)絡(luò)和電網(wǎng)（最初是為它們發(fā)明的）。MST 用于近似旅行商問題。聚類：首先構(gòu)建 MST，然后使用類間距離和類內(nèi)距離確定閾值，用于打破 MST 中某些邊。圖像分割：首先在圖上構(gòu)建 MST，其中像素是節(jié)點，像素之間的距離基于某種相似性度量（顏色、強度等）代碼
# nx.minimum_spanning_tree(g) returns a instance of type graphnx.draw_networkx(*nx.minimum_spanning_tree*(g))
左：無向圖；右：對應(yīng) MST.
Pagerank
上圖為谷歌提供長期支持的頁面排序算法（page sorting algorithm）。它根據(jù)輸入和輸出鏈接的數(shù)量和質(zhì)量為頁面打分。
應(yīng)用
Pagerank 可用于任何我們想要估算網(wǎng)絡(luò)節(jié)點重要性的地方。
它已被用于查找影響力最高的論文；它已被 Google 用于網(wǎng)頁排名；它可用于將推文-用戶和推文排序為節(jié)點。如果用戶 A 跟帖用戶 B，則在用戶之間創(chuàng)建鏈接；如果用戶發(fā)推/轉(zhuǎn)推，則在用戶和推文之間建立鏈接；推薦引擎。代碼
在本次練習(xí)中，我們將使用 facebook 數(shù)據(jù)。我們在 facebook 用戶之間有一個邊/鏈接文件。首先通過以下方法創(chuàng)建 Facebook 圖：
# reading the datasetfb = nx.read_edgelist(\'../input/facebook-combined.txt\', create_using = nx.Graph(), nodetype = int)
它是這樣的：
pos = nx.spring_layout(fb)import warningswarnings.filterwarnings(\'ignore\')plt.style.use(\'fivethirtyeight\')plt.rcParams[\'figure.figsize\'] = (20, 15)plt.axis(\'off\')nx.draw_networkx(fb, pos, with_labels = False, node_size = 35)plt.show()
Facebook 用戶圖
現(xiàn)在我們想要找出具有高影響力的用戶。直觀地說，Pagerank 算法會給擁有很多朋友的用戶打高分，而這些朋友又擁有很多 Facebook 朋友。
pageranks = nx.pagerank(fb)print(pageranks)------------------------------------------------------{0: 0.006289602618466542, 1: 0.00023590202311540972, 2: 0.00020310565091694562, 3: 0.00022552359869430617, 4: 0.00023849264701222462,........}
利用以下代碼可以得到排序的 PageRank 或最具影響力的用戶：
import operatorsorted_pagerank = sorted(pagerank.items(), key=operator.itemgetter(1),reverse = True)print(sorted_pagerank)------------------------------------------------------[(3437, 0.007614586844749603), (107, 0.006936420955866114), (1684, 0.0063671621383068295), (0, 0.006289602618466542), (1912, 0.0038769716008844974), (348, 0.0023480969727805783), (686, 0.0022193592598000193), (3980, 0.002170323579009993), (414, 0.0018002990470702262), (698, 0.0013171153138368807), (483, 0.0012974283300616082), (3830, 0.0011844348977671688), (376, 0.0009014073664792464), (2047, 0.000841029154597401), (56, 0.0008039024292749443), (25, 0.000800412660519768), (828, 0.0007886905420662135), (322, 0.0007867992190291396),......]
以上 ID 即為最有影響力的用戶。最具影響力用戶的子圖如下所示：
first_degree_connected_nodes = list(fb.neighbors(3437))second_degree_connected_nodes = []for x in first_degree_connected_nodes: second_degree_connected_nodes+=list(fb.neighbors(x))second_degree_connected_nodes.remove(3437)second_degree_connected_nodes = list(set(second_degree_connected_nodes))subgraph_3437 = nx.subgraph(fb,first_degree_connected_nodes+second_degree_connected_nodes)pos = nx.spring_layout(subgraph_3437)node_color = [\'yellow\' if v == 3437 else \'red\' for v in subgraph_3437]node_size = [1000 if v == 3437 else 35 for v in subgraph_3437]plt.style.use(\'fivethirtyeight\')plt.rcParams[\'figure.figsize\'] = (20, 15)plt.axis(\'off\')nx.draw_networkx(subgraph_3437, pos, with_labels = False, node_color=node_color,node_size=node_size )plt.show()
黃色為最具影響力用戶
中心性度量
你可以將許多中心性度量用作機器學(xué)習(xí)模型的特征，這里只談其中的兩個。
其他度量鏈接：https://networkx.github.io/documentation/networkx-1.10/reference/algorithms.centrality.html#current-flow-closeness。
介數(shù)中心性：不僅擁有眾多朋友的用戶很重要，將一個地理位置連接到另一個位置的用戶也很重要，因為這樣可以讓用戶看到不同地點的內(nèi)容。
介數(shù)中心性量化了一個特定節(jié)點在其他兩個節(jié)點之間最短路徑中出現(xiàn)的次數(shù)。
點度中心性：它只是節(jié)點的連接數(shù)。
代碼
以下是查找子圖介數(shù)中心性的代碼：
pos = nx.spring_layout(subgraph_3437)betweennessCentrality = nx.betweenness_centrality(subgraph_3437,normalized=True, endpoints=True)node_size = [v * 10000 for v in betweennessCentrality.values()]plt.figure(figsize=(20,20))nx.draw_networkx(subgraph_3437, pos=pos, with_labels=False, node_size=node_size )plt.axis(\'off\')
你可以在此處查看按介數(shù)中心性值確定大小的節(jié)點。他們可以被認(rèn)為是信息傳遞者。打破任何具有高介數(shù)中心性的節(jié)點將會將圖形分成許多部分。
原文地址：https://towardsdatascience.com/data-scientists-the-five-graph-algorithms-that-you-should-know-30f454fa5513
以上就是關(guān)于各種pos機怎么裝紙圖解,ML開發(fā)者應(yīng)該了解的五種圖算法的知識，后面我們會繼續(xù)為大家整理關(guān)于各種pos機怎么裝紙圖解的知識，希望能夠幫助到大家！
