SciPy - fclusterdata() 方法

SciPy 的 fclusterdata() 方法执行基于层次聚类的距离矩阵运算，并形成扁平聚类。

扁平聚类基于无监督机器学习，它识别其特征。例如 - 在生物实验室中，不同类型的细胞指定其特征。

语法

以下是 SciPy fclusterdata() 方法的语法：

fclusterdata(inp_data, t = int_value, criterion = 'metric_name')

参数

此方法接受以下参数：

• inp_data：此参数存储给定输入数组的值。
• t = int_value：此参数指定如何切割层次树以创建扁平聚类。
• criterion = 'name'：此参数用于设置不同的标准，例如距离、ward 等。这些可以用字符串表示。

返回值

此方法返回 n 维数组。请注意，标准用于形成扁平聚类。

示例 1

以下是一个基本的示例，它展示了 SciPy fclusterdata() 方法的用法。

from scipy.cluster.hierarchy import fclusterdata
import numpy as np

inp_data = np.array([[10, 20], [30, 40], [50, 60], [70, 80], [10, 0]])
res_clusters = fclusterdata(inp_data, t = 1.5, criterion='distance')
print(res_clusters)

输出

以上代码产生以下结果：

[1 3 4 5 2]

示例 2

此程序说明了连接方法 ward（最小化聚类的方差），并将 maxclust 设置为标准，该标准根据给定输入指定 3 个聚类。

from scipy.cluster.hierarchy import fclusterdata
import numpy as np

inp_data = np.array([[10, 20], [30, 40], [50, 60], [70, 80], [10, 0]])
res_clusters = fclusterdata(inp_data, t = 3, criterion='maxclust', method='ward')
print(res_clusters)

输出

以上代码产生以下结果：

[1 2 2 3 1]

示例 3

此示例将标准设置为 inconsistent，将度量设置为 cosine，这确定高维数据，并可用于创建聚类，并生成结果矩阵作为不一致性较小的值。

from scipy.cluster.hierarchy import fclusterdata
import numpy as np

inp_data = np.array([[10, 20], [30, 40], [50, 60], [70, 80], [10, 0]])
res_clusters = fclusterdata(inp_data, t=1.15, criterion='inconsistent', metric='cosine')
print(res_clusters)

输出

以上代码产生以下结果：

[1 1 1 1 1]