AgglomerativeClustering科学工具学习连接
AgglomerativeClustering科学工具学习连接
提问于 2015-10-21 13:25:48
I have a matrix x=
[[0,1,1,1,0,0,0,0],
[1,0,1,1,0,0,0,0],
[1,1,0,1,0,0,0,0],
[1,1,1,0,0,0,0,0],
[0,0,0,0,0,1,1,1],
[0,0,0,0,1,0,1,1],
[0,0,0,0,1,1,0,1],
[0,0,0,0,1,1,1,0],]调用AgglomerativeClustering后，我期望将数据划分为两个集群，(0-3)和(4-7)，即labels_=0,0,0,0,1,1,1,1，但在labels_列表中为0、0、0、1、0、0、0、1。
我的代码如下所示：s=AgglomerativeClustering(affinity='precomputed',n_clusters=2,linkage='complete) s.fit(x)
代码中有错误吗？为什么集群不像预期的那样
回答 2
Stack Overflow用户
发布于 2016-03-29 15:32:37
在我看来，在尝试了几个例子之后，AgglomerativeClustering将“亲和力”矩阵解释为一个距离矩阵，尽管我在任何地方都找不到这个矩阵。这意味着你的0和1应该换。
此外，它似乎只考虑矩阵的上三角部分(其他一切都是多余的)。
我认为将x定义为：
x=
[[0,0,0,0,1,1,1,1],
[ 0,0,0,0,1,1,1,1],
[ 0,0,0,0,1,1,1,1],
[ 0,0,0,0,1,1,1,1],
[ 0,0,0,0,0,0,0,0],
[ 0,0,0,0,0,0,0,0],
[ 0,0,0,0,0,0,0,0],
[ 0,0,0,0,0,0,0,0],]会给你预期的结果。
Stack Overflow用户
发布于 2015-10-24 14:49:26
错误在于如何指定连接矩阵。根据您的描述，我假设您的矩阵表示点之间的链接，其中0/1表示没有链接/链接。然而，该算法将其视为成对距离的矩阵，这就是为什么您会得到意想不到的结果。
你可以用简单的变换把你的亲和矩阵转换成一种距离矩阵。
>>> x = np.array(x)
>>> s.fit(np.exp(-x))
>>> s.labels_
array([1, 1, 1, 1, 0, 0, 0, 0])更好的做法是对用于生成此关联矩阵的数据使用实际的距离度量。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/33260582
复制相关文章
相似问题
腾讯云开发者
