在通过 networkx 生成的图上使用 scikit learn 进行频谱聚类

Question

我有一个 3000x50 的特征向量矩阵。我为此使用sklearn.metrics.pairwise_distances“Similarity_Matrix”获得了一个相似度矩阵。现在我曾经networkx使用在上一步中生成的相似度矩阵创建一个图作为G=nx.from_numpy_matrix(Similarity_Matrix)。我现在想在这个图上执行光谱聚类，G但是几个谷歌搜索未能提供一个很好的例子来说明 scikit 在这个图上学习光谱聚类:( 官方文档显示了如何在一些高度不清楚的图像数据上进行光谱聚类至少对于我这样的新手来说。

任何人都可以给我一个代码示例，用于使用 networkx、scikit learn 等进行图形切割或图形分区。

太感谢了！

Answer 1

adj_matrix = nx.from_numpy_matrix将帮助您创建一个邻接矩阵，该矩阵将成为您的亲和力矩阵。您需要将其提供给 scikit-learn，如下所示：SpectralClustering(affinity = 'precomputed', assign_labels="discretize",random_state=0,n_clusters=2).fit_predict(adj_matrix)

如果您没有任何相似度矩阵，则可以将“affinity”参数的值更改为“rbf”或“nearest_neighbors”。下面的示例解释了整个频谱聚类流程：

import sklearn
import networkx as nx
import matplotlib.pyplot as plt

'''Graph creation and initialization'''
G=nx.Graph()
G.add_edge(1,2)  # default edge weight=1
G.add_edge(3,4,weight=0.2) #weight represents edge weight or affinity
G.add_edge(2,3,weight=0.9) 
G.add_edge("Hello", "World", weight= 0.6)

'''Matrix creation'''
adj_matrix = nx.to_numpy_matrix(G) #Converts graph to an adj matrix with adj_matrix[i][j] represents weight between node i,j.
node_list = list(G.nodes()) #returns a list of nodes with index mapping with the a 

'''Spectral Clustering'''
clusters = SpectralClustering(affinity = 'precomputed', assign_labels="discretize",random_state=0,n_clusters=2).fit_predict(adj_matrix)
plt.scatter(nodes_list,clusters,c=clusters, s=50, cmap='viridis')
plt.show()