5

我有一个 3000x50 的特征向量矩阵。sklearn.metrics.pairwise_distances我使用“Similarity_Matrix”获得了一个相似度矩阵。现在我曾经networkx使用上一步中生成的相似度矩阵来创建一个图形G=nx.from_numpy_matrix(Similarity_Matrix)。我现在想在这个图上执行光谱聚类，G但是几个谷歌搜索未能在这个图上提供一个像样的 scikit 学习光谱聚类的例子:( 官方文档显示了如何对一些图像数据进行光谱聚类，这些图像数据在至少对于像我这样的新手来说。

谁能给我一个代码示例，或者使用networkx，scikit learn等进行图形切割或图形分区。

太感谢了！

4

1 回答 1

2

adj_matrix = nx.from_numpy_matrix将帮助您创建一个邻接矩阵，这将是您的亲和矩阵。您需要像这样将其提供给 scikit-learn：SpectralClustering(affinity = 'precomputed', assign_labels="discretize",random_state=0,n_clusters=2).fit_predict(adj_matrix)

如果您没有任何相似度矩阵，您可以将 'affinity' 参数的值更改为 'rbf' 或 'nearest_neighbors'。下面的示例解释了整个光谱聚类管道：

import sklearn
import networkx as nx
import matplotlib.pyplot as plt

'''Graph creation and initialization'''
G=nx.Graph()
G.add_edge(1,2)  # default edge weight=1
G.add_edge(3,4,weight=0.2) #weight represents edge weight or affinity
G.add_edge(2,3,weight=0.9) 
G.add_edge("Hello", "World", weight= 0.6)

'''Matrix creation'''
adj_matrix = nx.to_numpy_matrix(G) #Converts graph to an adj matrix with adj_matrix[i][j] represents weight between node i,j.
node_list = list(G.nodes()) #returns a list of nodes with index mapping with the a 

'''Spectral Clustering'''
clusters = SpectralClustering(affinity = 'precomputed', assign_labels="discretize",random_state=0,n_clusters=2).fit_predict(adj_matrix)
plt.scatter(nodes_list,clusters,c=clusters, s=50, cmap='viridis')
plt.show()
于 2019-05-05T07:36:32.777 回答