def test_unsupervised_opf_predict():
opf = unsupervised.UnsupervisedOPF()
try:
_ = opf.predict(X)
except:
opf.fit(X, Y)
preds, clusters = opf.predict(X)
assert len(preds) == 100
assert len(clusters) == 100
try:
opf.fit(X, Y)
opf.subgraph.trained = False
_, _ = opf.predict(X)
except:
opf.fit(X, Y)
preds, clusters = opf.predict(X)
assert len(preds) == 100
assert len(clusters) == 100
opf.pre_computed_distance = True
opf.pre_distances = np.ones((100, 100))
opf.fit(X, Y)
preds, clusters = opf.predict(X)
assert len(preds) == 100
assert len(clusters) == 100
def test_unsupervised_opf_propagate_labels():
opf = unsupervised.UnsupervisedOPF()
opf.fit(X, Y)
opf.propagate_labels()
assert opf.subgraph.nodes[0].predicted_label == 0
def test_unsupervised_opf_fit():
opf = unsupervised.UnsupervisedOPF()
opf.fit(X, Y)
assert opf.subgraph.trained == True
opf.pre_computed_distance = True
try:
opf.pre_distances = np.ones((99, 99))
opf.fit(X, Y)
except:
opf.pre_distances = np.ones((100, 100))
opf.fit(X, Y)
assert opf.subgraph.trained == True
def test_unsupervised_opf_min_k_setter():
opf = unsupervised.UnsupervisedOPF()
try:
opf.min_k = 1.5
except:
opf.min_k = 1
assert opf.min_k == 1
try:
opf.min_k = 0
except:
opf.min_k = 1
assert opf.min_k == 1
def test_unsupervised_opf_max_k_setter():
opf = unsupervised.UnsupervisedOPF()
opf.min_k = 2
try:
opf.max_k = 1.5
except:
opf.max_k = 3
assert opf.max_k == 3
try:
opf.max_k = 0
except:
opf.max_k = 3
assert opf.max_k == 3
try:
opf.max_k = 1
except:
opf.max_k = 3
assert opf.max_k == 3
def test_unsupervised_opf_min_k():
opf = unsupervised.UnsupervisedOPF()
assert opf.min_k == 1
