学习集群:动态更新集群数量

Question

sklearn.cluster.AgglomerativeClustering的文档提到，

当改变集群的数量并使用缓存时，计算完整的树可能是有利的。

这似乎意味着可以首先计算完整的树，然后根据需要快速更新所需集群的数量，而无需重新计算树(使用缓存)。

然而，这一改变集群数量的程序似乎没有记录在案。我想这样做，但我不知道如何进行。

更新:为了澄清，fit方法不以集群数作为输入：http://scikit-learn.org/stable/modules/generated/sklearn.cluster.AgglomerativeClustering.html#sklearn.cluster.AgglomerativeClustering.fit

Answer 1

您使用参数化memory = 'mycachedir'设置一个缓存目录，然后如果设置compute_full_tree=True，当您使用不同的n_clusters值重新运行fit时，它将使用缓存树而不是每次重新计算。为了给您提供一个示例，说明如何使用sklearn的gridsearch API来完成此操作：

from sklearn.cluster import AgglomerativeClustering
from sklearn.grid_search import GridSearchCV

ac = AgglomerativeClustering(memory='mycachedir', 
                             compute_full_tree=True)
classifier = GridSearchCV(ac, 
                          {n_clusters: range(2,6)}, 
                          scoring = 'adjusted_rand_score', 
                          n_jobs=-1, verbose=2)
classifier.fit(X,y)

Answer 2

我知道这是个老生常谈的问题，但下面的解决办法可能会很有帮助

# scores = input matrix

from scipy.cluster.hierarchy import linkage
from scipy.cluster.hierarchy import cut_tree
from sklearn.metrics import silhouette_score
from sklearn.metrics.pairwise import euclidean_distances

linkage_mat = linkage(scores, method="ward")
euc_scores = euclidean_distances(scores)

n_l = 2
n_h = scores.shape[0]

silh_score = -2
# Selecting the best number of clusters based on the silhouette score
for i in range(n_l, n_h):
    local_labels = list(cut_tree(linkage_mat, n_clusters=i).flatten())
    sc = silhouette_score(
        euc_scores,
        metric="precomputed",
        labels=local_labels,
        random_state=42)
    if silh_score < sc:
        silh_score = sc
        labels = local_labels

n_clusters = len(set(labels))
print(f"Optimal number of clusters: {n_clusters}")
print(f"Best silhouette score: {silh_score}")
# ...