python - 光谱嵌入 - 光谱聚类

Question

我正在尝试使用归一化切割执行光谱嵌入/聚类。我编写了以下代码，但我遇到了一个逻辑瓶颈。对特征向量进行聚类后我该怎么办？我不知道如何在我的原始数据集上形成集群。（A是我的亲和力矩阵）

D = np.diag(np.sum(A, 0))
D_half_inv = np.diag(1.0 / np.sqrt(np.sum(A, 0)))
M = np.dot(D_half_inv, np.dot((D - A), D_half_inv))
# compute eigenvectors and eigenvalues
(w, v) = np.linalg.eigh(M) 
# renorm eigenvectors to have norm 1
var = len(w)
v1 = np.array(np.zeros((var, var)))
for j in range(var):
    v[:][j] = v[:][j]/np.sqrt(np.sum(A,0))
    v[:][j] = v[:][j]/np.linalg.norm(v1[:][j])
v_trailing = v[:,1:45] #omit the corresponding eigenvector of the smallest eigenvalue     which is 0  and 45 is my embedding dimension
k  = 20 #number of clusters
centroids,idx = kmeans2(v_trailing, k)

之后，我得到每个特征向量的标签。但是如何将这些标签链接到我的原始数据集上？

Answer 1

到原始数据集的输出映射对应于修改集中标签的索引。

因此，如果 y _i在 C _m中，则A 的第 i 个条目将在 A _m中

或者换一种说法

让 C ₁ ..... C _M是通过对特征向量进行聚类而生成的聚类集合，您想要的聚类是： A ₁ ..... A _M其中 A _i = { j | _{C i}的y _j元素}