Question

我正在尝试使用sklearn的凝聚聚类命令执行约束聚类。为了使算法受到约束，它请求一个连接矩阵＆＃34;。这被描述为：

连接约束是通过连接矩阵强加的：scipy稀疏矩阵，其元素仅在行和列的交叉点处具有应该连接的数据集的索引。此矩阵可以从先验信息构建：例如，您可能希望仅通过合并具有从一个指向另一个指向的链接的页面来对网页进行聚类。

我有一个观察对列表，我希望算法将强制保留在同一个集群中。我可以将其转换为稀疏scipy矩阵（coo或csr），但生成的集群无法强制约束。

一些数据：

import numpy as np
import scipy as sp
import pandas as pd
import scipy.sparse as ss
from sklearn.cluster import AgglomerativeClustering


# unique ids 
ids = np.arange(10)

# Pairs that should belong to the same cluster
mustLink = pd.DataFrame([[1, 2], [1, 3], [4, 6]], columns=['A', 'B'])

# Features for training the model
data = pd.DataFrame([
[.0873,-1.619,-1.343],
[0.697456, 0.410943, 0.804333],
[-1.295829, -0.709441, -0.376771],
[-0.404985, -0.107366, 0.875791],
[-0.404985, -0.107366,  0.875791],
[-0.515996, 0.731980, -1.569586],
[1.024580,  0.409148, 0.149408],
[-0.074604, 1.269414, 0.115744],
[-0.006706, 2.097276, 0.681819],
[-0.432196, 1.249149,-1.159271]])

将对转换为＆＃34;连接矩阵＆＃34;：

# Blank coo matrix to csr
sm = ss.coo_matrix((len(ids), len(ids)), np.int32).tocsr()
# Insert 1 for connected pairs and diagonals
for i in np.arange(len(mustLink)): # add links to both sides of the matrix
    sm[mustLink.loc[i, 'A'], mustLink.loc[i, 'B']] = 1
    sm[mustLink.loc[i, 'B'], mustLink.loc[i, 'A']] = 1
for i in np.arange(sm.tocsr()[1].shape[1]): # add diagonals
    sm[i,i] = 1
sm = sm.tocoo() # convert back to coo format

训练并拟合凝聚聚类模型：

m = AgglomerativeClustering(n_clusters=6, connectivity=sm)
out = m.fit_predict(X=data)

警告我收到：

UserWarning：连接矩阵的连接组件的数量是7> 1.完成它以避免提早停止树。连接，n_components = _fix_connectivity（X，连接）

除了不祥的警告，我希望它们属于同一群集的对，不会。

这是因为sklearn算法不是为处理mustlink约束而设计的，而是只能使用distance矩阵（区分绘制here）？

Answer 1

将连接矩阵传递给sklearn.cluster.AgglomerativeClustering时，必须连接矩阵中的所有点。凝聚聚类创建一个层次结构，其中所有点都迭代地组合在一起，因此隔离的聚类不可能存在。连接矩阵可用于“关闭”可能在欧几里德空间附近的点的连接，但远离另一个度量（请参阅用户指南here中的果冻卷示例）。

另一种想到这一点的方法是你的点必须形成一个不相交的图形，你所能做的就是关闭节点之间的边缘。

此警告：

UserWarning：连接矩阵的连接组件的数量是7> 1.完成它以避免提早停止树。连接，n_components = _fix_connectivity（X，连接）

告诉您，您有7个不相交的群集，这超过了允许的1个群集。因此sklearn“完成”它（基本上填充它没有不相交的簇），这就是为什么你的约束根本不受尊重。

这里没有简单的解决方法。您可以尝试在群集后重新分配中心以尊重约束，或者您需要使用不同的算法。

Scikit-learn凝聚聚类连通矩阵

1 个答案: