如何在sklearn中使用曼哈顿距离SpectralCluster

Question

我想在Sklearn中使用曼哈顿距离进行SpectralClustering() 。 我试图将affinity参数设置为manhattan ，但得到以下错误。

ValueError：未知内核'manhattan'

我应该使用什么样的内核名称？ 有人可以帮忙吗？ 基本上，我想使用SpectralClustering来实现使用manhattan距离度量的kmeans 。

这里是设置SpectralClustering()的代码行：

clustering = SpectralClustering(n_clusters=10, affinity='manhattan', assign_labels="kmeans")
clustering.fit(X)

Answer 1

Spectral Clustering的官方文档告诉您，您可以使用sklearn.metrics.pairwise_kernels支持的任何sklearn.metrics.pairwise_kernels 。 不幸的是，曼哈顿距离还没有配对内核。

如果类似的东西就足够了，你可以像这样使用linear距离：

clustering = SpectralClustering(n_clusters=10, affinity='linear', assign_labels="kmeans")

Answer 2

sklearn.metrics.pairwise_kernels中不支持曼哈顿距离，这是ValueError的原因。

From Documentation:

指标的有效值为::
['rbf'，'sigmoid'，'polynomial'，'poly'，'linear'，'cosine']

linear和manhattan距离度量不同，你可以从这里提到的例子中理解：

>>> import numpy as np
>>> from sklearn.metrics import pairwise_distances
>>> from sklearn.metrics.pairwise import pairwise_kernels
>>> X = np.array([[2, 3], [3, 5], [5, 8]])
>>> Y = np.array([[1, 0], [2, 1]])
>>> pairwise_distances(X, Y, metric='manhattan')
array([[ 4.,  2.],
       [ 7.,  5.],
       [12., 10.]])
>>> pairwise_kernels(X, Y, metric='linear')
array([[ 2.,  7.],
       [ 3., 11.],
       [ 5., 18.]])

曼哈顿距离函数在sklearn.metrics.pairwise_distance下sklearn.metrics.pairwise_distance

现在，使用光谱聚类的曼哈顿距离测量的简单方法是，

>>> from sklearn.cluster import SpectralClustering
>>> from sklearn.metrics import pairwise_distances
>>> import numpy as np
>>> X = np.array([[1, 1], [2, 1], [1, 0],
...               [4, 7], [3, 5], [3, 6]])

>>> X_precomputed = pairwise_distances(X, metric='manhattan')
>>> clustering = SpectralClustering(n_clusters=2, affinity='precomputed', assign_labels="discretize",random_state=0)
>>> clustering.fit(X_precomputed)
>>> clustering.labels_
>>> clustering