使用DTW距离矩阵的凝聚聚类

Question

我正在尝试对时间序列数据集进行聚类。 为此，我计算了成对 DTW 距离。 这些数据收集在距离矩阵中，我想将其用作 AgglomerativeClustering() sklearn 方法的输入。

看来我需要为它使用压缩距离矩阵。 但是如果我这样做，聚类方法会将每个距离解释为一个新样本，因此我会得到太多标签。 我应该如何正确地做到这一点？

这是我尝试过的示例代码：

import numpy as np

# Test symmetric matrix
N = 4
b = np.random.randint(0,5,size=(N,N))
b_symm = (b + b.T)/2
np.fill_diagonal(b_symm,np.zeros(N))

# Condensed matrix
condensed = squareform(b_symm)
model = AgglomerativeClustering(n_clusters=2, linkage=linkage)
y = model.fit_predict(condensed.reshape(-1,1))

Answer 1

请参阅文档：

http://scikit-learn.org/stable/modules/generated/sklearn.cluster.AgglomerativeClustering.html

亲和性：字符串或可调用，默认值：“欧几里得”

用于计算链接的指标。 可以是“欧几里得”、“l1”、“l2”、“曼哈顿”、“余弦”或“预计算”。 如果链接是“病房”，则只接受“欧几里得”。