亲和力传播偏好初始化

Question

我需要在事先不知道聚类数量的情况下执行聚类。集群的数量可能是 1 到 5，因为我可能会发现所有样本都属于同一个实例，或者属于有限数量的组的情况。我认为亲和力传播可能是我的选择，因为我可以通过设置首选项参数来控制集群的数量。但是，如果我有一个人工生成的单个集群，并且我将偏好设置为节点之间的最小欧几里得距离（以最小化集群数量），我会在集群上变得糟糕。

"""
=================================================
Demo of affinity propagation clustering algorithm
=================================================

Reference:
Brendan J. Frey and Delbert Dueck, "Clustering by Passing Messages
Between Data Points", Science Feb. 2007

"""
print(__doc__)
import numpy as np
from sklearn.cluster import AffinityPropagation
from sklearn import metrics
from sklearn.datasets.samples_generator import make_blobs
from scipy.spatial.distance import pdist

##############################################################################
# Generate sample data
centers = [[0,0],[1,1]]
X, labels_true = make_blobs(n_samples=300, centers=centers, cluster_std=0.5,
                            random_state=0)
init = np.min(pdist(X))

##############################################################################
# Compute Affinity Propagation
af = AffinityPropagation(preference=init).fit(X)
cluster_centers_indices = af.cluster_centers_indices_
labels = af.labels_

n_clusters_ = len(cluster_centers_indices)

print('Estimated number of clusters: %d' % n_clusters_)
print("Homogeneity: %0.3f" % metrics.homogeneity_score(labels_true, labels))
print("Completeness: %0.3f" % metrics.completeness_score(labels_true, labels))
print("V-measure: %0.3f" % metrics.v_measure_score(labels_true, labels))
print("Adjusted Rand Index: %0.3f"
      % metrics.adjusted_rand_score(labels_true, labels))
print("Adjusted Mutual Information: %0.3f"
      % metrics.adjusted_mutual_info_score(labels_true, labels))
print("Silhouette Coefficient: %0.3f"
      % metrics.silhouette_score(X, labels, metric='sqeuclidean'))

##############################################################################
# Plot result
import matplotlib.pyplot as plt
from itertools import cycle

plt.close('all')
plt.figure(1)
plt.clf()

colors = cycle('bgrcmykbgrcmykbgrcmykbgrcmyk')
for k, col in zip(range(n_clusters_), colors):
    class_members = labels == k
    cluster_center = X[cluster_centers_indices[k]]
    plt.plot(X[class_members, 0], X[class_members, 1], col + '.')
    plt.plot(cluster_center[0], cluster_center[1], 'o', markerfacecolor=col,
             markeredgecolor='k', markersize=14)
    for x in X[class_members]:
        plt.plot([cluster_center[0], x[0]], [cluster_center[1], x[1]], col)

plt.title('Estimated number of clusters: %d' % n_clusters_)
plt.show()

我使用亲和力传播的方法有什么缺陷吗？相反，Affinity Propagation 不适合这个任务，所以我应该使用其他东西吗？

Answer 1

没有，没有瑕疵。 AP 不使用距离，但需要您指定相似度。我不太了解 scikit 的实现，但根据我的阅读，它默认使用 negative 平方欧氏距离来计算相似度矩阵。如果将输入首选项设置为最小欧几里得距离，则会得到一个正值，而所有相似性都是负值。因此，这通常会产生与样本一样多的聚类（注意：输入偏好越高，聚类越多）。我宁愿建议将输入首选项设置为最小负平方距离，即 -1 乘以数据集中最大距离的平方。这将为您提供更少数量的集群，但不一定是一个集群。我不知道 preferenceRange() 函数是否也存在于 scikit 实现中。 AP主页上有Matlab代码，也在我维护的R包'apcluster'中实现。此函数允许为输入偏好参数确定有意义的界限。希望对您有所帮助。

Answer 2

您可以通过指定最低首选项来控制它，但不确定您是否会找到一个集群。

而且，我建议你不要做一个单一的集群，因为它会产生错误，因为一些数据不能与示例相同或相似，但你提供了最低限度的偏好，所以 AP会报错。

Answer 3

您还可以通过本质上运行第二次使用中心样本或手动合并最相似的样本来将聚类合并在一起。因此，您可以迭代地合并最近的集群，直到获得您的号码，从而使偏好的选择更加容易，因为您可以选择任何能够产生相当数量的集群的东西（我尝试时效果很好）。

亲和力传播偏好初始化

Affinity Propagation preferences initialization

cluster-analysis

machine-learning

unsupervised-learning

scikit-learn