使用 DTW 距离矩阵的凝聚聚类

Posted 2023-03-12

【中文标题】使用 DTW 距离矩阵的凝聚聚类

【英文标题】：Agglomerative clustering using DTW distance matrix

【发布时间】：2019-02-05 05:36:16

【问题描述】：

我正在尝试对时间序列数据集进行聚类。为此，我计算了成对的 DTW 距离。这些数据收集在一个距离矩阵中，我想将其用作 AgglomerativeClustering() sklearn 方法的输入。

看来我需要使用压缩距离矩阵。但如果我这样做，聚类方法会将每个距离解释为一个新样本，因此我得到的标签太多。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))

【问题讨论】：

您有有使用压缩距离矩阵的理由吗？你可以很容易地squareform它到一个正常的距离矩阵

【参考方案1】：

请参阅文档：

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

affinity：字符串或可调用，默认：“euclidean”

用于计算链接的度量。可以是“euclidean”、“l1”、“l2”、“manhattan”、“cosine”或“precomputed”。如果链接是“ward”，则只接受“euclidean”。