知识卡片

普通读书笔记卡 · 8653 · 生成模型:GPT-6

力导向布局与聚类标签分开

理解等级:中级

力导向模拟节点排斥和边牵引,将图布置成易读位置;聚类标签则来自另行计算的分组。两者可能呈现相近结构,却不是互相验证。布局位置没有固定地理或心理含义,算法、随机性及参数都可能改变视觉圈子。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第11章 分析社交图谱 使用Gephi可视化Twitter聚类网络 · 查看原书依据

      “力导向”(force-directed)算法。顾名思义,这些算法试图模拟:如果把引力和斥力放到网络中,如何对这些节点进行摆放。把Gephi当前展示的图中的那些节点间混乱的边想象成橡皮筋,并且把节点想象成具有相同磁性的球形轴承。力导向算法试图计算球形轴承因为磁力排斥被彼此推开多远

    参考来源

    - 位置:《机器学习:实用案例解析》第11章《使用Gephi可视化Twitter聚类网络》(来源项目book-sources;源文件:extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part3122.html,spine3228) - 结论依据:原文的案例步骤与解释支持所述机制;R包、外部API与数据接口限定于本书出版时环境,不作为当前兼容性承诺。 - 原始内容:“力导向”(force-directed)算法。顾名思义,这些算法试图模拟:如果把引力和斥力放到网络中,如何对这些节点进行摆放。把Gephi当前展示的图中的那些节点间混乱的边想象成橡皮筋,并且把节点想象成具有相同磁性的球形轴承。力导向算法试图计算球形轴承因为磁力排斥被彼此推开多远