Affinity Propagation首选项初始化

Question

我需要在不事先知道群集数量的情况下执行群集。簇的数量可以是1到5，因为我可以找到所有样本属于同一实例或有限数量的组的情况。 我认为亲和力传播可能是我的选择，因为我可以通过设置首选项参数来控制群集的数量。 但是，如果我有人工生成的单个集群，并且我将节点之间的最小欧氏距离设置为偏好（以最小化集群数量），那么我对集群的处理非常糟糕。

"""
=================================================
Demo of affinity propagation clustering algorithm
=================================================

Reference:
Brendan J. Frey and Delbert Dueck, "Clustering by Passing Messages
Between Data Points", Science Feb. 2007

"""
print(__doc__)
import numpy as np
from sklearn.cluster import AffinityPropagation
from sklearn import metrics
from sklearn.datasets.samples_generator import make_blobs
from scipy.spatial.distance import pdist

##############################################################################
# Generate sample data
centers = [[0,0],[1,1]]
X, labels_true = make_blobs(n_samples=300, centers=centers, cluster_std=0.5,
                            random_state=0)
init = np.min(pdist(X))

##############################################################################
# Compute Affinity Propagation
af = AffinityPropagation(preference=init).fit(X)
cluster_centers_indices = af.cluster_centers_indices_
labels = af.labels_

n_clusters_ = len(cluster_centers_indices)

print('Estimated number of clusters: %d' % n_clusters_)
print("Homogeneity: %0.3f" % metrics.homogeneity_score(labels_true, labels))
print("Completeness: %0.3f" % metrics.completeness_score(labels_true, labels))
print("V-measure: %0.3f" % metrics.v_measure_score(labels_true, labels))
print("Adjusted Rand Index: %0.3f"
      % metrics.adjusted_rand_score(labels_true, labels))
print("Adjusted Mutual Information: %0.3f"
      % metrics.adjusted_mutual_info_score(labels_true, labels))
print("Silhouette Coefficient: %0.3f"
      % metrics.silhouette_score(X, labels, metric='sqeuclidean'))

##############################################################################
# Plot result
import matplotlib.pyplot as plt
from itertools import cycle

plt.close('all')
plt.figure(1)
plt.clf()

colors = cycle('bgrcmykbgrcmykbgrcmykbgrcmyk')
for k, col in zip(range(n_clusters_), colors):
    class_members = labels == k
    cluster_center = X[cluster_centers_indices[k]]
    plt.plot(X[class_members, 0], X[class_members, 1], col + '.')
    plt.plot(cluster_center[0], cluster_center[1], 'o', markerfacecolor=col,
             markeredgecolor='k', markersize=14)
    for x in X[class_members]:
        plt.plot([cluster_center[0], x[0]], [cluster_center[1], x[1]], col)

plt.title('Estimated number of clusters: %d' % n_clusters_)
plt.show()

我使用亲和传播的方法有什么缺陷吗？相反，Affinity Propagation不适用于此任务，我应该使用其他东西吗？

Answer 1

不，没有缺陷。 AP不使用距离，但要求您指定相似性。我不太了解scikit的实现，但根据我所读到的，它默认使用 负平方欧几里德距离来计算相似度矩阵。如果将输入首选项设置为最小欧几里德距离，则得到正值，而所有相似度均为负值。因此，这通常会产生与样本一样多的聚类（注意：输入首选项越高，聚类越多）。我宁愿建议将输入偏好设置为最小负平方距离，即数据集中最大距离的平方的-1倍。这将为您提供更少数量的集群，但不一定是一个集群。我不知道是否在scikit实现中也存在preferenceRange（）函数。在AP主页上有Matlab代码，它也在我正在维护的R包'apcluster'中实现。此函数允许确定输入首选项参数的有意义边界。我希望有所帮助。

Answer 2

您可以通过指定最低首选项来控制它，但不确定您是否会找到一个群集。

而且，我建议你不要制作单个群集，因为它会产生错误，因为某些数据不能相同或与examplers有相似之处，但是因为你提供了最小的首选项，所以AP会提交错误。

Answer 3

您还可以通过使用中心样本第二次运行算法或手动合并最相似的样本来将聚类合并在一起。因此，您可以迭代地合并最接近的群集，直到获得您的数字为止，这使得选择偏好变得更加容易，因为您可以选择会导致大量群集的任何东西（当我尝试时，效果很好）。