在networkx生成的图上使用scikit学习谱聚类

Question

我有一个3000x50的特征向量矩阵。我使用sklearn.metrics.pairwise_distances作为"Similarity_Matrix"获得了相似矩阵。现在我使用networkx来创建一个图形，使用在前一步中生成的相似矩阵作为G=nx.from_numpy_matrix(Similarity_Matrix)。我现在想在这个图G上执行光谱聚类，但是几个谷歌搜索未能提供scikit学习光谱聚类在这个图上的一个体面的例子:(官方文档显示了如何在一些图像数据上进行光谱聚类，至少对像我这样的新手来说是非常不清楚的。

谁能给我一个代码样本，为这个或图切割或图分区使用networkx, scikit学习等。

万分感谢!

Answer 1

adj_matrix = nx.from_numpy_matrix将帮助您创建邻接矩阵，这将是您的亲和力矩阵。您需要像这样将其提供给scikit-learn: 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矩阵，您可以将"affinity"参数值更改为"rbf"或"nearest_neighbors"。下面的例子解释了整个谱聚类管道:

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()