Ctrl+K

spectral_clustering#

sklearn.cluster.spectral_clustering(affinity, *, n_clusters=8, n_components=None, eigen_solver=None, random_state=None, n_init=10, eigen_tol='auto', assign_labels='kmeans', verbose=False)[源代码]#

将集群应用于规范化拉普拉斯的投影。

在实践中，当单个集群的结构高度非凸时，或者更一般地，当集群的中心和扩展的测量值不适合描述完整集群时，谱集群非常有用。例如，当集群在2D平面上嵌套圆形时。

如果亲和力是图的邻近矩阵，则可以使用此方法来寻找规范化的图切割 [1], [2].

阅读更多的 User Guide .

参数:
affinity形状（n_samples，n_samples）的{类数组，稀疏矩阵}

描述要嵌入的样本关系的亲和力矩阵。 Must be symmetric .

可能的例子：

  • 图的邻近矩阵，

  • 样本成对距离矩阵的热核，

  • 样本的对称k近邻连通性矩阵。

n_clustersint，默认=无

要提取的集群数量。

n_componentsint，默认=n_clusters

用于谱嵌入的特征量。

eigen_solver{None、“arpack”、“lobpcg”或“amg”}

特征值分解方法。如果没有，那么 'arpack' 采用了看到 [4] 有关的更多详细信息 'lobpcg' .特征解算器 'amg' 运行 'lobpcg' 具有可选的Algestion MultiGrid预处理，并要求安装pyamg。它可以在非常大的稀疏问题上更快 [6] 和 [7].

random_stateint，RandomState实例，默认=无

伪随机数生成器，用于初始化lobpcg特征量分解，当 eigen_solver == 'amg' ，以及K-Means初始化。使用int使结果在调用之间具有确定性（请参阅 Glossary ).

备注

当使用 eigen_solver == 'amg' ，也有必要用来修复全球麻木的种子 np.random.seed(int) 以获得确定性结果。欲了解更多信息，请访问https://github.com/pyamg/pyamg/issues/139。

n_initint，默认值=10

k-means算法将在不同的重心种子下运行的次数。就惯性而言，最终结果将是n_initit连续运行的最佳输出。仅在以下情况下使用 assign_labels='kmeans' .

eigen_tolfloat，default=“auto”

拉普拉斯矩阵特征分解的停止准则。如果 eigen_tol="auto" 那么通过的公差将取决于 eigen_solver :

  • 如果 eigen_solver="arpack" 那么 eigen_tol=0.0 ;

  • 如果 eigen_solver="lobpcg" 或 eigen_solver="amg" 那么 eigen_tol=None 它配置了底层 lobpcg 解算器根据其几何学自动解析值。看， scipy.sparse.linalg.lobpcg 有关详细信息

请注意，使用时 eigen_solver="lobpcg" 或 eigen_solver="amg" 值 tol<1e-5 可能会导致趋同问题，应该避免。

Added in version 1.2: 添加了“自动”选项。

assign_labels' kmeans '，'离散'，'集群_qr '，默认=' kmeans '

用于在嵌入空间中分配标签的策略。 拉普拉斯嵌入后有三种方法可以分配标签。 可以应用k-means，并且是一个流行的选择。但它也可能对初始化很敏感。离散化是另一种对随机初始化不太敏感的方法 [3]. 集群_qr方法 [5] 直接从谱集群中的特征载体中提取集群。与k-means和离散化相反，集群_qr没有调整参数，也不是迭代方法，但在质量和速度方面可能优于k-means和离散化。有关集群策略的详细比较，请参阅以下示例： 按地区划分希腊硬币的图片 .

在 1.1 版本发生变更: 添加了新的标签方法“集群_qr”。

verbose布尔，默认=假

冗长模式。

Added in version 0.24.

返回:
labels整组，形状：n_samples

集群的标签。

注意到

该图应该只包含一个相连的分量，其他地方的结果没有什么意义。

该算法解决了标准化切割 k=2 ：这是一个标准化的谱集群。

引用

[3]

Multiclass spectral clustering, 2003 Stella X. Yu, Jianbo Shi <https://people.eecs.berkeley.edu/~jordan/courses/281B-spring04/readings/yu-shi.pdf> _

示例

>>> import numpy as np
>>> from sklearn.metrics.pairwise import pairwise_kernels
>>> from sklearn.cluster import spectral_clustering
>>> X = np.array([[1, 1], [2, 1], [1, 0],
...               [4, 7], [3, 5], [3, 6]])
>>> affinity = pairwise_kernels(X, metric='rbf')
>>> spectral_clustering(
...     affinity=affinity, n_clusters=2, assign_labels="discretize", random_state=0
... )
array([1, 1, 1, 0, 0, 0])
On this page