Sklearn Spectral Clustering Fehler in fit_predict: k muss zwischen 1 und der Reihenfolge der quadratischen Eingabematrix sein

Question

Ich verwende Spectral Clustering Library in Python und Ähnlichkeitsmatrix ist das Hauptargument. Meine Matrix wie folgt aussieht:

[[ 1.   0.85018854 0.85091491 0.85717652] 
[ 0.85018854 1.   0.99720197 0.99732831] 
[ 0.85091491 0.99720197 1.   0.9972462 ] 
[ 0.85717652 0.99732831 0.9972462 1.  ]] 

Und meinen Code ähnlich wie die Dokumentation Proben:

cl = SpectralClustering(n_clusters=4,affinity='precomputed') 
y = cl.fit_predict(matrix) 

Aber der folgenden Fehler tritt auf:

Traceback (most recent call last): 
    File "/home/mahmood/PycharmProjects/sentence2vec/graphClustering.py", line 22, in <module> 
    y = cl.fit_predict(matrix) 
    File "/usr/local/lib/python2.7/dist-packages/scikit_learn-0.17.1-py2.7-linux-x86_64.egg/sklearn/base.py", line 371, in fit_predict 
    self.fit(X) 
    File "/usr/local/lib/python2.7/dist-packages/scikit_learn-0.17.1-py2.7-linux-x86_64.egg/sklearn/cluster/spectral.py", line 454, in fit 
    assign_labels=self.assign_labels) 
    File "/usr/local/lib/python2.7/dist-packages/scikit_learn-0.17.1-py2.7-linux-x86_64.egg/sklearn/cluster/spectral.py", line 258, in spectral_clustering 
    eigen_tol=eigen_tol, drop_first=False) 
    File "/usr/local/lib/python2.7/dist-packages/scikit_learn-0.17.1-py2.7-linux-x86_64.egg/sklearn/manifold/spectral_embedding_.py", line 254, in spectral_embedding 
    tol=eigen_tol) 
    File "/usr/lib/python2.7/dist-packages/scipy/sparse/linalg/eigen/arpack/arpack.py", line 1507, in eigsh 
    raise ValueError("k must be between 1 and the order of the " 
ValueError: k must be between 1 and the order of the square input matrix. 

Ich habe keine Ahnung, und ich muß wissen, Was ist das Problem und vielleicht ist es eine Lösung.

Answer 1

Sie haben 4 Datenpunkte.

Sie fordern 4 Cluster an.

Was erwarten Sie zu passieren?

Es gibt nur die triviale Lösung (jeder Punkt ist anders), so dass spektrale Clusterbildung nicht ausgeführt werden kann. Für vernünftige Lösungen muss die Anzahl der Cluster mindestens 2 und höchstens n-1 sein, wenn Sie n Punkte haben.