Изменение значения предпочтения не влияет на результаты кластеризации распространения Affinity. - PullRequest
Новая
       45

Изменение значения предпочтения не влияет на результаты кластеризации распространения Affinity.

1 голос
/ 11 мая 2019

См. Следующий код 

import numpy as np
from sklearn.cluster import AffinityPropagation
from sklearn import metrics
from sklearn.datasets.samples_generator import make_blobs

##############################################################################
# Generate sample data
centers = [[1, 1], [-1, -1], [1, -1]]
X, labels_true = make_blobs(n_samples=300, centers=centers, cluster_std=0.5)

# Compute similarities
X_norms = np.sum(X ** 2, axis=1)
S = - X_norms[:, np.newaxis] - X_norms[np.newaxis, :] + 2 * np.dot(X, X.T)
p=[10 * np.median(S),np.mean(S,axis=1),np.mean(S,axis=0),100000,-100000]
##############################################################################

# Compute Affinity Propagation
for preference in p:
    af = AffinityPropagation().fit(S, preference)
    cluster_centers_indices = af.cluster_centers_indices_
    labels = af.labels_

    n_clusters_ = len(cluster_centers_indices)

    print('Estimated number of clusters: %d' % n_clusters_)
    print("Homogeneity: %0.3f" % metrics.homogeneity_score(labels_true, labels))
    print("Completeness: %0.3f" % metrics.completeness_score(labels_true, labels))
    print("V-measure: %0.3f" % metrics.v_measure_score(labels_true, labels))
    print("Adjusted Rand Index: %0.3f" % \
          metrics.adjusted_rand_score(labels_true, labels))
    print("Adjusted Mutual Information: %0.3f" % \
          metrics.adjusted_mutual_info_score(labels_true, labels))
    D = (S / np.min(S))
    print("Silhouette Coefficient: %0.3f" %
          metrics.silhouette_score(D, labels, metric='precomputed'))

    ##############################################################################

    # Plot result
    import pylab as pl
    from itertools import cycle

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

    colors = cycle('bgrcmykbgrcmykbgrcmykbgrcmyk')
    for k, col in zip(range(n_clusters_), colors):
        class_members = labels == k
        cluster_center = X[cluster_centers_indices[k]]
        pl.plot(X[class_members, 0], X[class_members, 1], col + '.')
        pl.plot(cluster_center[0], cluster_center[1], 'o', markerfacecolor=col,
                markeredgecolor='k', markersize=14)
        for x in X[class_members]:
            pl.plot([cluster_center[0], x[0]], [cluster_center[1], x[1]], col)

    pl.title('Estimated number of clusters: %d' % n_clusters_)
    pl.show()

Хотя я меняю значение предпочтения в цикле, но все же я получаю те же кластеры? Так почему же изменение значения предпочтения не влияет на результаты кластеризации?

Обновление

Когда я попробовал следующий код, результат был ниже

correct

Когда я попробовал предложение, рекомендованное Агостом в конструкторе, я получил следующий вывод

enter image description here

Ответы [ 2 ]

1 голос
/ 11 мая 2019

Реализация sklearn AP выглядит довольно хрупкой.

Мои предложения по ее использованию:

  • используйте verbose=True, чтобы увидеть, когда не удалось сойтись
  • увеличить максимальное число итераций как минимум до 1000
  • уменьшить демпфирование, выбрав 0,9 вместо 0,5

Причина в том, что с параметрами по умолчанию точка доступа Sklearn обычно не сходится...

Как упоминалось ранее @AgostBiro, предпочтение - , а не параметр функции fit (но конструктор), поэтому ваш исходный код игнорировал предпочтение, потому что fit(X,y) игнорирует y (глупо API иметь параметр dead y, но sklearn нравится, что это похоже на API классификации)

1 голос
/ 11 мая 2019

Предпочтение является параметром конструктора AffinityPropagation, а не метода fit().Вам следует изменить строку 19 на: 

af = AffinityPropagation(preference=preference).fit(S)
...