两种不同的聚类方法（通过光谱分析）和两种不同的结果……发生了什么？

Question

我很生气，因为我使用了（它必须是）两种等效的方法。 我的目标是将图表聚类到不同的组中。为此，一方面我是“手工”完成的，计算fiedler：

import networkx as nx
import numpy.linalg as la

g1 = nx.from_numpy_matrix(A.values )
A = nx.adjacency_matrix(g1)
D = np.diag(np.ravel(np.sum(A,axis=1)))
L=D-A

l, U = la.eigh(L)
# fiedler
f = U[:,1]
labels = np.ravel(np.sign(f))
coord = nx.spring_layout(g1, iterations=100,seed=42)
fig = plt.figure(figsize=(15, 8))
nx.draw_networkx_nodes(g1, coord, node_size=25, node_color=labels, cmap = 'cool')


coord = nx.spectral_layout(g1)
fig = plt.figure(figsize=(15, 8))
nx.draw_networkx_nodes(g1, coord, node_size=25, node_color=labels, cmap = 'cool')

我得到了这个非常令人信服的光谱表示：

现在，使用这段代码（以更系统的方式）：

import networkx as nx
import sklearn
clustering = sklearn.cluster.SpectralClustering(n_clusters=2,
                                                assign_labels="discretize",
                                                random_state=0)
clustering = clustering.fit(A) 
labels = clustering.labels_ 
coord = nx.spring_layout(g1, iterations=100,seed=42)
fig = plt.figure(figsize=(15, 8))
nx.draw_networkx_nodes(g1, coord,node_size=25,node_color=labels, cmap = 'cool')

我得到了一个非常糟糕的结果，看起来完全不一样。

所以我的问题是，为什么？谁能向我解释一下我到底是如何得到不同的结果的？

干杯。

Answer 1

通过调用 sklearn 的谱聚类的方式，您使用 RBF 内核将您的亲和矩阵解释为坐标。我并不惊讶这不能很好地工作。

错误的输入 -> 错误的输出。

试试affinity='precomputed'。