使用 scikit learn 对通过 networkx 生成的图进行谱聚类

我有一个 3000x50 特征向量矩阵。我使用以下方法获得了一个相似度矩阵sklearn.metrics.pairwise_distances作为“相似度矩阵”。现在我用了networkx使用上一步中生成的相似度矩阵创建一个图G=nx.from_numpy_matrix(Similarity_Matrix)。我想在此图上执行谱聚类G现在，但一些谷歌搜索未能在该图上提供 scikit learn 谱聚类的不错示例:( 官方文档显示了如何对某些图像数据进行谱聚类，至少对于像我这样的新手来说，这是非常不清楚的。

任何人都可以给我一个代码示例，或者使用 networkx、scikit learn 等进行图形切割或图形分区。

太感谢了！

adj_matrix = nx.from_numpy_matrix将帮助您创建一个邻接矩阵，该矩阵将成为您的亲和力矩阵。您需要将其提供给 scikit-learn，如下所示：SpectralClustering(affinity = 'precomputed', assign_labels="discretize",random_state=0,n_clusters=2).fit_predict(adj_matrix)

如果您没有任何相似度矩阵，则可以将“affinity”参数的值更改为“rbf”或“nearest_neighbors”。下面的示例解释了整个频谱聚类流程：

import sklearn
import networkx as nx
import matplotlib.pyplot as plt

'''Graph creation and initialization'''
G=nx.Graph()
G.add_edge(1,2)  # default edge weight=1
G.add_edge(3,4,weight=0.2) #weight represents edge weight or affinity
G.add_edge(2,3,weight=0.9) 
G.add_edge("Hello", "World", weight= 0.6)

'''Matrix creation'''
adj_matrix = nx.to_numpy_matrix(G) #Converts graph to an adj matrix with adj_matrix[i][j] represents weight between node i,j.
node_list = list(G.nodes()) #returns a list of nodes with index mapping with the a 

'''Spectral Clustering'''
clusters = SpectralClustering(affinity = 'precomputed', assign_labels="discretize",random_state=0,n_clusters=2).fit_predict(adj_matrix)
plt.scatter(nodes_list,clusters,c=clusters, s=50, cmap='viridis')
plt.show()