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