python设置训练集比例为90%，并比较AUC值和Precision (L=100,200)。用ACT算法进行链路预测

好的，我明白了。针对你的问题，我可以给出以下建议：

1. 首先，你需要将你的数据集按照9:1的比例分成训练集和测试集。你可以使用sklearn库中的train_test_split函数来完成这个任务。具体操作如下：

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1, random_state=42)

其中，X是你的特征矩阵，y是你的标签向量，test_size参数代表测试集占比，random_state参数用于保证每次划分数据集的结果都一致。

2. 然后，你需要使用ACT算法进行链路预测。ACT算法是一种基于随机游走的网络嵌入方法，可以将网络中的节点映射到低维向量空间中。你可以使用NetworkX库来构建网络，并使用karateclub库中的ACT算法来进行嵌入。具体操作如下：

import networkx as nx
from karateclub import ACT

# 构建网络
G = nx.Graph()
G.add_edges_from(edges)

# 嵌入节点
act = ACT(dimensions=100)  # dimensions参数代表嵌入的向量维度
act.fit(G)

# 获取嵌入结果
X = act.get_embedding()

其中，edges是你的边列表，X是嵌入后的节点特征矩阵。

3. 最后，你可以使用嵌入结果来训练分类器，并计算AUC值和Precision。你可以选择SVM、LR、RF等分类器，并使用sklearn库中的相关函数来完成训练和评估。具体操作如下：

from sklearn.metrics import roc_auc_score, precision_score
from sklearn.svm import SVC

# 训练SVM分类器
clf = SVC(kernel='linear', C=1.0)
clf.fit(X_train, y_train)

# 预测测试集标签
y_pred = clf.predict(X_test)

# 计算AUC值和Precision
auc = roc_auc_score(y_test, y_pred)
precision = precision_score(y_test, y_pred)

其中，kernel参数代表SVM的核函数，C参数代表正则化强度，y_pred是使用训练好的分类器对测试集进行的预测。

希望这些信息能对你有所帮助！