我找到了 this K-Medoids 的实现,我决定在我的代码中尝试它。
我的原始数据集是一个 21x6 矩阵。
要生成我正在使用的距离矩阵:
import scipy.spatial.distance as ssd
distanceMatrix = ssd.squareform(ssd.pdist(matr, 'cosine'))
然后我决定了一些集群:
clusters = int(np.sqrt(len(matr.data)/2))
最后:
clusters, medoids = self.cluster(distanceMatrix,clusters)
print(clusters)
print(medoids)
对于给定的输入,我得到这个输出:
[12 12 12 12 12 12 12 7 7 7 7 11 12 12 12 12 12 12 11 12 12]
[12 7 11]
虽然我期待类似于 sklearn.cluster.KMeans 的输出我的矩阵中的每个点都有一个标签。 如果我想使用结果来分散簇元素,我应该如何处理这种输出,如下图(我使用 k-Means 的地方)?
请您参考如下方法:
k-medoids 使用数据点作为中心,因此 print(medoids) 将为您提供输入数据集中的中心索引,而 print(clusters) 将为您提供您数据点属于哪个组。
图中的星星将是数据集[12]、数据集[11] 和数据集[7]
