我无法理解官方文档here中概述的sklearn.cluster.SpectralClustering类的特定用例。假设我想使用自己的亲和矩阵来执行聚类。我首先实例化一个类SpectralClustering的对象，如下所示：
from sklearn.clustering import SpectralClustering
cl = SpectralClustering(n_clusters=5,affinity='precomputed')
上面affinity参数的文档如下：
affinity：string，array-like或callable，默认为'rbf'
如果是字符串，则可能是“nearest_neighbors”，“precomputed”，“rbf”或sklearn.metrics.pairwise_kernels支持的某个内核之一。 只应使用产生相似性得分的内核（非相似性增加的负值）。聚类算法不会检查此属性。
现在，对象cl有一个方法fit，其唯一参数X的文档如下：
X：类似数组或稀疏矩阵，形状（n_samples，n_features）
OR，如果亲和力==
precomputed，则为预先计算的形状亲和度矩阵（n_samples，n_samples）
这是令人困惑的地方。我使用自己的亲和力矩阵，其中度量为0表示两个点相同，数字越大意味着两个点更不相似。但是，参数affinity的其他选项实际上采用数据集并生成相似性矩阵，其中更高值表示更多相似性，并且< em> lower 值表示不相似（例如径向基核）。
因此，在我的fit实例上使用SpectralClustering方法时，我是否真的需要将亲和度矩阵转换为相似度矩阵，然后再将其传递给fit方法调用参数X？相同的文档页面记录了将距离转换为行为良好的相似性，但未明确指出应该执行此步骤的位置，以及通过哪种方法调用。
答案 0 :(得分：5)
直接来自文档：
如果您有一个亲和度矩阵，例如距离矩阵，其中0表示相同的元素，而高值表示非常不相似的元素，则可以通过应用高斯的方法将其转换为非常适合算法的相似性矩阵（RBF，热）内核：
np.exp(- X ** 2 / (2. * delta ** 2))
这是您自己的代码，其结果可以传递给fit。出于此算法的目的，亲和力意味着相似性，而不是距离。