特征聚集降维中的亲和力=“预计算”是什么意思？

Question

affinity='precomputed' 在特征聚合降维（scikit-learn）中是什么意思，它是如何使用的？ 我得到的结果比使用其他相似性选项（例如“euclidean”、“l1”、“l2”或“manhattan”）要好得多，但是，我不确定这个“预先计算”的实际含义以及我是否必须为特征聚集算法提供“预先计算”的东西？ “预先计算”到底是什么意思？

除了预处理（缩放）的原始数据、numpy 数组之外，我没有传递任何东西。在 fit_transform 与特征聚集之后，结果被传递给 Birch 聚类算法，我得到了比提到的其他亲和性更好的结果。结果与 PCA 相当，但内存消耗开销要低得多，所以我会使用特征聚集作为降维，但我担心我做错了吗？

Answer 1

好问题。

affinity == 'precomputed'表示使用包含原始数据distance matrix的上三角的flatten数组。

参考（source code）：

    if affinity == 'precomputed':
        # for the linkage function of hierarchy to work on precomputed
        # data, provide as first argument an ndarray of the shape returned
        # by pdist: it is a flat array containing the upper triangular of
        # the distance matrix.
        i, j = np.triu_indices(X.shape[0], k=1)
        X = X[i, j]
    elif affinity == 'l2':
        # Translate to something understood by scipy
        affinity = 'euclidean'
    elif affinity in ('l1', 'manhattan'):
        affinity = 'cityblock'