时间戳

首页 > 解决方案 > Sklearn 的 Affinity Propagation，好依赖坏样本

python - Sklearn 的 Affinity Propagation，好依赖坏样本

问题描述

我正在尝试将 sklearn 的亲和力传播实现用于相当简单的集群，但是，我得到了一些时髦的结果。我试图使用 300 个集群（每个集群 3 个点）的 AP，但它失败了，所以我尝试了一个看似简单的集群问题，即 5 个高斯分布式集群，每个集群 100 个点。生成的图表链接如下。有谁知道我哪里出错了？

美联社情节

我关注了@Anony-Mousse对此的回应，但是，增加阻尼和最大迭代并没有真正帮助。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import AffinityPropagation
from itertools import cycle

n_per_cluster = 100
n_clusters = 5
n_total = n_per_cluster*n_clusters

x = np.empty(n_total)
y = np.empty(n_total)
labels = np.empty(n_total)
count = 0
for i in range(n_clusters):
    xseed = np.random.random()*100
    yseed = np.random.random()*100
    normX = np.random.normal(xseed,1,n_per_cluster)
    normY = np.random.normal(yseed,1,n_per_cluster)
    normCount = 0
    for j in range(n_per_cluster):
        x[count] = normX[normCount]
        y[count] = normY[normCount]
        labels[count] = i
        normCount+=1
        count+=1

#print(labels)
#print(x, y)
# plt.scatter(x,y)
# plt.show()
preference = -50
max_iter = 1000
xy = np.column_stack((x,y))
af = AffinityPropagation(damping = 0.9, preference = preference, verbose = True, max_iter = max_iter).fit(xy)
_exemplars_index = af.cluster_centers_indices_
_labels = af.labels_
_n_cluster = len(_exemplars_index)

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

colors = cycle('bgrcmyk')
for k,col in zip(range(_n_cluster),colors):
    class_members = labels == k #error check
    exemplars = xy[_exemplars_index[k]]
    plt.plot(xy[class_members, 0], xy[class_members,1], col + '.')
    plt.plot(exemplars[0], exemplars[1], 'o', markerfacecolor=col,
             markeredgecolor='k', markersize=14)
    for x in xy[class_members]:
        plt.plot([exemplars[0], x[0]], [exemplars[1], x[1]], col)

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

它使集群正确，但示例在屏幕上。这是一个非常直接的聚类问题，所以我想这是用户错误，但我还没有弄清楚。谢谢您的帮助

标签： pythonscikit-learncluster-analysis

解决方案

抱歉，我应该在发布之前尝试参数化扫描。显然，AP 对度量数据非常敏感。我在偏好 = -100、阻尼 =0.95 和 1500 次迭代时得到了不错的结果。

推荐阅读