两种不同的聚类方法(通过光谱分析)和两种不同的结果...怎么回事？

Question

我很恼火，因为我使用了(必须的)两个等价的方法。我的目标是将一个图聚类到不同的组中。为此，一方面我“手工”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')

我得到了一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，看起来一点都不一样。

所以我的问题是，为什么？有人能向我解释一下我到底是如何得到不同的结果的吗？

干杯。

Answer 1

通过调用sklearn的谱聚类，您可以使用RBF内核将您的亲和度矩阵解释为坐标。我对此并不感到惊讶，因为它工作得不好。

错误的输入->错误的输出。

试试affinity='precomputed'。