我在理解官方文档here中概述的sklearn.cluster.SpectralClustering类的特定用例时遇到了麻烦。假设我想使用自己的亲和力矩阵执行聚类。我首先实例化类SpectralClustering的对象，如下所示:
from sklearn.clustering import SpectralClustering
cl = SpectralClustering(n_clusters=5,affinity='precomputed')
上面的
affinity参数的文档如下:现在，对象
cl具有方法fit，有关其唯一参数X的文档如下:这就是令人困惑的地方。我正在使用自己的亲和力矩阵，其中的0表示两个点是相同的，数字越大表示两个点之间的相异性越高。但是，参数
affinity的其他选择实际上是采用一个数据集并生成一个相似度矩阵，对于该矩阵，较高的值表示更多的相似性，而较低的值表示不相似(例如径向基核)。因此，当在我的
fit实例上使用SpectralClustering方法时，在将其亲和力矩阵作为参数fit传递给X方法调用之前，我真的需要将亲和力矩阵转换为相似性矩阵吗？同一文档页面上有关于将距离转换为行为相似的记录的注释，但未明确指出应在何处执行此步骤以及通过哪种方法调用。 最佳答案
直接来自文档:
np.exp(- X ** 2 / (2. * delta ** 2))
这在您自己的代码中进行，其结果可以传递给
fit。出于此算法的目的，亲和度表示相似性，而不是距离。关于python - 使用具有参数亲和力='precomputed'的类sklearn.cluster.SpectralClustering，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/20530804/