光谱聚类中fit（）和fit_predict（）有什么区别

Question

我试图理解并使用来自sklearn的spectral clustering。 假设我们有X矩阵输入，我们创建了一个光谱聚类对象，如下所示：

clustering = SpectralClustering(n_clusters=2,
         assign_labels="discretize",
         random_state=0)

然后，我们使用光谱簇对象调用拟合预测。在

^{pr2}$

让我困惑的是，“使用所选关联的X的关联矩阵是何时创建的”？因为根据文件 fit_predict（）方法'对X执行聚类并返回聚类标签'，但它并没有明确说明在聚类之前它还计算“使用所选关联的X的关联矩阵”。在

我很感激任何帮助或提示。在

Answer 1

看看fit_predict()的source code似乎这只是一个方便的方法——它实际上只是调用fit()并从对象返回标签。在

Answer 2

正如在另一个答案中已经暗示的那样，fit_predict只是返回集群标签的一个方便方法。根据documentation，fit

Creates an affinity matrix for X using the selected affinity, then applies spectral clustering to this affinity matrix.

而fit_predict

Performs clustering on X and returns cluster labels.

这里，在X上执行集群应该理解为fit的描述，即，创建一个亲和矩阵[…]。在

不难验证调用fit_predict等同于从fit之后的对象获取labels_属性；使用一些伪数据，我们

from sklearn.cluster import SpectralClustering
import numpy as np

X = np.array([[1, 2], [1, 4], [10, 0],
               [10, 2], [10, 4], [1, 0]])

# 1st way - use fit and get the labels_
clustering = SpectralClustering(n_clusters=2,
     assign_labels="discretize",
     random_state=0)

clustering.fit(X)
clustering.labels_
# array([1, 1, 0, 0, 0, 1])

# 2nd way - using fit_predict
clustering2 = SpectralClustering(n_clusters=2,
     assign_labels="discretize",
     random_state=0)

clustering2.fit_predict(X)
# array([1, 1, 0, 0, 0, 1])

np.array_equal(clustering.labels_, clustering2.fit_predict(X))
# True