Python 基于亲和矩阵的谱聚类

我有一个182个用户的亲和矩阵。我想根据相似度矩阵对用户进行聚类。但结果似乎是将几乎所有的用户聚集到一个集群中。有人能解释一下吗

---

对于相似矩阵。有182*182个条目。6510个条目>0.001，最大值>0.97。对话框矩阵为0。这个相似矩阵有问题吗？或者光谱聚类不适合这种情况吗？您还推荐其他聚类方法吗？

您提供的统计数据不够完整，无法给出明确的意见，但我可以从结果中做出一些猜测。我怀疑这个问题是因为在你的空间中有一系列连接良好的条目

以1个单位的间隔，想象一条包含182个项目的简单直线，亲和力是线性距离立方的倒数。你的近邻有1/1的亲缘关系；下一个是1/8，然后是1/27，1/64

这使得每个实体只有20个近邻（每边10个），其亲和性>=0.001，总共3640个（如果允许环绕）加上主对角线。这比您的实际示例要少。然而，由于近邻的亲和力为1，几乎任何聚类算法的自然连接最终都会将所有这些合并到一个类中。这套设备高度连接，但不是特别紧凑

---

---

因此，问题变成了，“什么样的聚类适合于数据的形状？”您能否以某种方式描述单个条目的连接性、紧凑性和连接性？您是否看到任何自然聚集和切割点？

您研究过数据吗？也许几乎所有的用户都非常相似？

    import csv
    import numpy as np
    from sklearn.cluster import SpectralClustering
    reader = csv.reader(open("/Users/Desktop/user2.csv","rU"),
                        dialect=csv.excel_tab)
    x = list(reader)
    result = np.array(x).astype('float')
    lena = result.reshape(182, 182)
    type(lena)
    # Apply spectral clustering (this step goes much faster if you have pyamg
    # installed)
    label = SpectralClustering(n_clusters=5, 
                               affinity='precomputed').fit_predict(lena)