使用DTW距离矩阵的聚集聚类

Question

我正在尝试对时间序列的数据集进行聚类。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，我希望将其用作AgglomerativeClustering（）sklearn方法的输入。

似乎我需要使用一个压缩距离矩阵。但是，如果这样做，则聚类方法会将每个距离解释为一个新样本，因此我得到了太多标签。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))

Answer 1

请参阅文档：

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

  

相似性：字符串或可调用，默认值：“欧几里得”

     

用于计算链接的度量。可以是“欧几里得”，“ l1”，“ l2”，“曼哈顿”，“余弦”或“ 预先计算”。如果链接为“病房”，则仅接受“欧几里得”。