sklearn.cluster.AgglomerativeClustering 的文档提到，
当改变集群数量并使用缓存时，
计算完整的树可能是有利的。
这似乎意味着可以首先计算完整的树，然后根据需要快速更新所需集群的数量，而无需重新计算树（使用缓存）。
然而，改变集群数量的过程似乎没有记录。我想这样做，但不确定如何继续。
更新：为了澄清，拟合方法不将簇数作为输入：http://scikit-learn.org/stable/modules/ generated/sklearn.cluster.AgglomerativeClustering.html#sklearn.cluster.AgglomerativeClustering.fit
您可以使用参数设置缓存目录memory = 'mycachedir'然后如果你设置compute_full_tree=True，当你重新运行时fit具有不同的值n_clusters，它将使用缓存的树而不是每次都重新计算。给您一个如何使用 sklearn 的 gridsearch API 执行此操作的示例：
from sklearn.cluster import AgglomerativeClustering
from sklearn.grid_search import GridSearchCV
ac = AgglomerativeClustering(memory='mycachedir',
compute_full_tree=True)
classifier = GridSearchCV(ac,
{n_clusters: range(2,6)},
scoring = 'adjusted_rand_score',
n_jobs=-1, verbose=2)
classifier.fit(X,y)
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
