Si no tiene muchos puntos, simplemente puede cargar todos sus puntos de datos y luego usar scikitlearn en Python o un enfoque simplista de fuerza bruta para encontrar los vecinos k más cercanos a cada uno de sus puntos de datos. A medida que encuentre los vecinos, puede crear bordes en una lista como [(1,245), (1,317), (1,1089), (2,107)….] Lo que significa que los 3 vecinos al punto 1 son 245,317 y 1089, etc.
Una vez que tenga una lista de bordes, puede exportarlos a un archivo CSV con el encabezado SOURCE, TARGET e importar este archivo a Gephi para crear la visualización del gráfico KNN. Gephi produce visualizaciones muy hermosas y no tiene que codificar nada, solo importe el gráfico y juegue con los diferentes algoritmos de visualización.
Su archivo CSV se verá así:
- ¿Qué es una red cortical recurrente?
- ¿Cómo afectan las imágenes que se filtran con diferentes filtros de imagen al entrenamiento de las redes neuronales profundas?
- ¿Las redes neuronales artificiales pueden modelar interacciones multiplicativas?
- ¿Cuál es el mejor marco de minería de datos?
- ¿Cuál es la diferencia entre AODE y una red bayesiana?
ORIGEN DESTINO
1,245
1,317
1,1089
2, 107
…
Si tiene muchos puntos, es posible que necesite algo como Descenso NN: Construcción eficiente del gráfico vecino K más cercano para medidas de similitud genéricas, que es un algoritmo muy eficiente para construir un gráfico KNN.