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，我计算了成对的 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一个压缩距离矩阵。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，所以我得到了太多标签。我应该如何正确执行此操作？

这是我试过的示例代码：

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

affinity : string or callable, default: “euclidean”

Metric used to compute the linkage. Can be “euclidean”, “l1”, “l2”, “manhattan”, “cosine”, or ‘precomputed’. If linkage is “ward”, only “euclidean” is accepted.

使用 DTW 距离矩阵的凝聚聚类

Agglomerative clustering using DTW distance matrix

python

numpy

cluster-analysis

scikit-learn