给定一个距离矩阵,各个教授之间具有相似性:
prof1 prof2 prof3
prof1 0 0.8 0.9
prof2 0.8 0 0.2
prof3 0.9 0.2 0
我需要对此数据执行分层聚类,其中上面的数据是二维矩阵的形式
data_matrix=[[0,0.8,0.9],[0.8,0,0.2],[0.9,0.2,0]]
我尝试检查是否可以使用sklearn.cluster AgglomerativeClustering来实现它,但它正在将所有3行视为3个单独的向量,而不是距离矩阵。可以使用this或scipy.cluster.hierarchy完成吗?
是的,您可以使用sklearn
。您需要设置:
affinity='precomputed'
,使用距离矩阵linkage='complete'
或'average'
,因为默认链接(Ward)仅适用于坐标输入。使用预先计算的亲和力,输入矩阵将解释为观察值之间的距离矩阵。以下代码
from sklearn.cluster import AgglomerativeClustering
data_matrix = [[0,0.8,0.9],[0.8,0,0.2],[0.9,0.2,0]]
model = AgglomerativeClustering(affinity='precomputed', n_clusters=2, linkage='complete').fit(data_matrix)
print(model.labels_)
会返回标签[1 0 0]
:第一个教授去一个集群,第二个和第三个教授去另一个集群。
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句