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)#
应用聚类到归一化拉普拉斯投影。
在实践中，当单个簇的结构高度非凸或更一般地，当簇的中心和扩展的度量不适合描述完整的簇时，谱聚类非常有用。例如，当簇是嵌套在2D平面上的圆环时。
如果亲和度是图的邻接矩阵，此方法可用于找到归一化的图割 [1], [2]。
更多信息请参阅 用户指南 。
- Parameters:
- affinity{array-like, sparse matrix} of shape (n_samples, n_samples)
描述样本之间关系的亲和度矩阵。 必须对称 。
- 可能的例子：
图的邻接矩阵，
样本的成对距离矩阵的热核，
样本的对称k最近邻连接矩阵。
- n_clustersint, default=None
要提取的簇数量。
- n_componentsint, default=n_clusters
用于谱嵌入的特征向量数量。
- eigen_solver{None, ‘arpack’, ‘lobpcg’, or ‘amg’}
特征值分解方法。如果为None，则使用
'arpack'。有关'lobpcg'的更多详细信息，请参见 [4]。 Eigensolver'amg'运行带有可选代数多重网格预处理的'lobpcg'，并需要安装pyamg。在非常大的稀疏问题上可能会更快 [6] 和 [7]。- random_stateint, RandomState instance, default=None
用于初始化lobpcg特征向量分解的伪随机数生成器，当
eigen_solver == 'amg'时，以及用于K-Means初始化。使用整数使结果在调用之间确定（参见 Glossary ）。Note
当使用
eigen_solver == 'amg'时， 还需要使用np.random.seed(int)固定全局numpy种子以获得确定性结果。更多信息请参见 pyamg/pyamg#139。- n_initint, default=10
k-means算法将以不同的质心种子运行多次。最终结果将是n_init次连续运行中惯性最好的输出。仅当
assign_labels='kmeans'时使用。- eigen_tolfloat, default=”auto”
拉普拉斯矩阵特征分解的停止准则。如果
eigen_tol="auto"，则传递的容差将取决于eigen_solver：如果
eigen_solver="arpack"，则eigen_tol=0.0；如果
eigen_solver="lobpcg"或eigen_solver="amg"，则eigen_tol=None，这将配置底层的lobpcg求解器根据其启发式自动确定值。详情请参见scipy.sparse.linalg.lobpcg。
注意，当使用
eigen_solver="lobpcg"或eigen_solver="amg"时，tol<1e-5的值可能导致收敛问题，应避免。Added in version 1.2: 添加了’auto’选项。
- assign_labels{‘kmeans’, ‘discretize’, ‘cluster_qr’}, default=’kmeans’
在嵌入空间中分配标签的策略。在拉普拉斯嵌入后有三种分配标签的方法。k-means可以应用并且是一个受欢迎的选择。但它也可能对初始化敏感。离散化是另一种对随机初始化不太敏感的方法 [3]。cluster_qr方法 [5] 直接从谱聚类中的特征向量中提取簇。与k-means和离散化相比，cluster_qr没有调优参数，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。
Changed in version 1.1: 添加了新的标签方法’cluster_qr’。
- verbosebool, default=False
详细模式。
Added in version 0.24.
- Returns:
- labelsarray of integers, shape: n_samples
簇的标签。
Notes
图应仅包含一个连通分量，否则结果意义不大。
该算法解决了
k=2的归一化割：它是一种归一化谱聚类。References
Examples
>>> 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])
