Outil d'analyse et d'évaluation dédié à l'apprentissage non supervisé, permettant d'évaluer la qualité des clusters générés par des algorithmes de partitionnement. Ce module Python calcule plus de 40 indices internes de validation (comme l'indice de Dunn, de Davies-Bouldin ou de Calinski-Harabasz) pour mesurer la cohésion et la séparation des groupes. Il propose également des outils d'analyse de densité, de visualisation 2D/3D et de détection de confusion entre clusters via des hypersphères multidimensionnelles.

Ce projet propose des outils pour analyser et comparer des profils épigénétiques à partir de fichiers BigWig. Il permet de mesurer les distances entre différents clusters de données génomiques, calculer des indices de silhouette pour évaluer la qualité des regroupements, et générer des matrices de corrélation. Les outils sont conçus pour traiter des données biologiques complexes et fournir des résultats exploitables pour la recherche en épigénétique.

OrdinalClustering est une méthode permettant de comparer une classification (clustering) à une partition avec classes ordinales. Cela peut être utilisé dans le cadre de l'analyse de données pour évaluer la qualité de différentes méthodes de classification en fonction de leur capacité à reproduire une partition de référence avec classes ordinales.