我正在努力理解谱聚类文档here。
具体地
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))
对于我的数据，我有一个大小为(n_samples, n_samples)的完整距离矩阵，其中大条目表示不相似的对，小值表示相似的对，零表示相同的条目。 （即，沿对角线的唯一零点）。
所以我需要做的就是使用SpectralClustering构建affinity = "precomputed"对象，然后将转换后的距离矩阵传递给fit_predict。
我坚持建议的转换方程式。 np.exp(- X ** 2 / (2. * delta ** 2))。
这里X是什么？ (n_samples, n_samples)距离矩阵？
如果是，那么delta是什么。它只是X.max()-X.min()吗？
调用np.exp(- X ** 2 / (2. * (X.max()-X.min()) ** 2))似乎做对了。即大条目变得相对较小，小条目相对较大，所有条目都在0和1之间。对角线都是1，这是有道理的，因为每个点都是最亲密的。
但我很担心。我想如果作者希望我使用np.exp(- X ** 2 / (2. * (X.max()-X.min()) ** 2))，他会告诉我使用它，而不是在那里投掷delta。
所以我想我的问题就是这个。什么＆＃39; delta？
答案 0 :(得分：1)
是的，在这种情况下，X是距离矩阵。 delta是一个缩放参数，您可以根据需要进行调整。它控制了“紧密度”，可以说是距离/相似关系，在某种意义上说，一个小的增量增加了遥远点的相对异常性。
请注意，delta与RBF内核的gamma参数的倒数成正比，前面提到的文档链接中提到了这两个参数：两者都是可用于调整聚类结果的自由参数