如何指定聚类的距离函数？

Question

我想根据自定义距离对点进行聚类，奇怪的是，scipy 和 sklearn 聚类方法似乎都不允许指定距离函数。

例如，在sklearn.cluster.AgglomerativeClustering中，我唯一可以做的就是输入一个亲和力矩阵（这将非常占用内存）。为了构建这个矩阵，建议使用 sklearn.neighbors.kneighbors_graph，但我不明白如何在两点之间指定距离函数。有没有大神能指教一下？

Answer 1

对于层次聚类，scipy.cluster.hierarchy.fclusterdata allows you to use any of the distance metrics included in the list here 通过 metric= 关键字参数，前提是它适用于您想要的链接方法。

Answer 2

所有 scipy 层次聚类例程都将接受自定义距离函数，该函数接受指定一对点的两个一维向量和 returns 一个标量。例如，使用 fclusterdata:

import numpy as np
from scipy.cluster.hierarchy import fclusterdata

# a custom function that just computes Euclidean distance
def mydist(p1, p2):
    diff = p1 - p2
    return np.vdot(diff, diff) ** 0.5

X = np.random.randn(100, 2)

fclust1 = fclusterdata(X, 1.0, metric=mydist)
fclust2 = fclusterdata(X, 1.0, metric='euclidean')

print(np.allclose(fclust1, fclust2))
# True

metric= kwarg 的有效输入与 scipy.spatial.distance.pdist 相同。

Answer 3

sklearn 有 DBSCAN，它允许预先计算距离矩阵（使用三角矩阵，其中 M_ij 是 i 和 j 之间的距离）。但这可能不是您正在寻找的聚类类型。

此外，正如其他人提到的，scipy.cluster.hierarchy.fclusterdata 还允许预先计算距离指标。 this reply 中给出了一段代码，它提供了一些代码将 NxN 距离矩阵转换为 fclusterdata 可以轻松读取的格式：

import scipy.spatial.distance as ssd
# convert the redundant n*n square matrix form into a condensed nC2 array
    distArray = ssd.squareform(distMatrix) # distArray[{n choose 2}-{n-i choose 2} + (j-i-1)] is the distance between points i and j

如何指定聚类的距离函数？

How to specify a distance function for clustering?

python

scipy

scikit-learn

hierarchical-clustering