昆明企业建站模板,商业网站设计专业,站优化,wordpress承载压力文章目录 背景输入点直接输入邻接矩阵 背景
网上倒是有一些关于使用sklearn进行谱聚类的教程#xff0c;但是这些教程的输入都是一些点的集合#xff0c;然后根据谱聚类的原理#xff0c;其会每两个点计算一次亲密度#xff08;可以认为两个点距离越大#xff0c;亲密度越… 文章目录 背景输入点直接输入邻接矩阵 背景
网上倒是有一些关于使用sklearn进行谱聚类的教程但是这些教程的输入都是一些点的集合然后根据谱聚类的原理其会每两个点计算一次亲密度可以认为两个点距离越大亲密度越小假设一共有N个点那么就是N*N个亲密度要计算这特别像什么图里面的邻接矩阵对不对。然后算法再根据这些亲密度进行聚类即亲密度越大的点他们应该聚在一起。
总结这些教程都是输入点没有说如何直接输入邻接矩阵,然后使用sklearn进行谱聚类。
输入点
下面的X就是输入的点的坐标形状为(100,2)我们是对这些点进行聚类聚两类。然后affinity参数其实就是距离计算公式你选用哪个的意思比如我们常常知道的欧式距离曼哈顿距离当然谱聚类里面不是这些。总之实际使用中哪个效果好用哪个建议官方提供的距离你都可以试一试。
import numpy as np
from sklearn import datasets
from sklearn.cluster import SpectralClustering
import matplotlib.pyplot as pltX, _ datasets.make_circles(n_samples100, factor0.5, noise0.05)
#X就是输入的点
fig plt.figure(figsize(16,4))# 谱聚类默认聚类数为8
model SpectralClustering(n_clusters2).fit(X)
ax fig.add_subplot(132)
ax.scatter(X[:,0], X[:,1], cmodel.labels_, marker.)model SpectralClustering(n_clusters2, affinitynearest_neighbors).fit(X)
ax fig.add_subplot(133)
ax.scatter(X[:,0], X[:,1], cmodel.labels_, marker.)plt.show() 直接输入邻接矩阵
邻接矩阵表示各个点之间的亲密度我们先准备好邻接矩阵如下形状是N*N注意邻接矩阵需要为正数否则报错所以我们下面用了指数。
adjacency_matrix[[ 0.0470, 0.0309, 0.0269, 0.0867, 0.0548, 0.0109, 0.0771, 0.0307,0.0276],[ 0.1033, 0.0157, 0.0012, -0.0097, 0.0050, 0.0059, -0.0179, -0.0133,-0.0074],[-0.0070, 0.0795, 0.0222, -0.0379, -0.0281, -0.0073, -0.0569, -0.0341,-0.0208],[ 0.0370, 0.0165, -0.0008, 0.0012, -0.0044, -0.0090, 0.0311, 0.0330,0.0124],[-0.0185, -0.0267, -0.0199, 0.1049, 0.0289, -0.0023, -0.0270, -0.0290,-0.0348],[-0.1064, -0.0719, -0.0368, -0.0589, 0.0236, -0.0024, -0.0903, -0.0769,-0.0512],[ 0.0624, 0.0479, 0.0304, 0.0762, 0.0512, 0.0178, 0.0633, 0.0288,0.0256],[-0.0258, -0.0148, -0.0024, -0.0092, 0.0007, -0.0081, 0.0819, -0.0039,-0.0092],[-0.0472, -0.0152, -0.0039, -0.0405, -0.0287, -0.0161, -0.0083, 0.0608,-0.0053]]
adjacency_matrixnp.exp(np.array(adjacency_matrix))from sklearn.cluster import SpectralClustering
sc SpectralClustering(3, affinityprecomputed, n_init100,assign_labelsdiscretize)#precomputed就是说我们算好了的意思。
sc.fit_predict(adjacency_matrix) 输出结果 array([1, 2, 2, 1, 0, 0, 1, 1, 0], dtypeint64) 这个就是我们9个点的聚类结果。 完结撒花
