距離行列を計算しましたが、それを視覚化するために2つのアプローチを試みています。これは私の距離行列です:
delta =
[[ 0. 0.71370845 0.80903791 0.82955157 0.56964983 0. 0. ]
[ 0.71370845 0. 0.99583115 1. 0.79563006 0.71370845
0.71370845]
[ 0.80903791 0.99583115 0. 0.90029133 0.81180111 0.80903791
0.80903791]
[ 0.82955157 1. 0.90029133 0. 0.97468433 0.82955157
0.82955157]
[ 0.56964983 0.79563006 0.81180111 0.97468433 0. 0.56964983
0.56964983]
[ 0. 0.71370845 0.80903791 0.82955157 0.56964983 0. 0. ]
[ 0. 0.71370845 0.80903791 0.82955157 0.56964983 0. 0. ]]
1から7までのラベルを考慮すると、1は実際には6と7に近く、 4から離れています。
最初に、tSNE 次元削減を使用しようとしました。
from sklearn.preprocessing import normalize
from sklearn import manifold
from matplotlib import pyplot as plt
from matplotlib.lines import Line2D
import numpy
model = manifold.TSNE(n_components=2, random_state=0, metric='precomputed')
coords = model.fit_transform(delta)
cmap = plt.get_cmap('Set1')
colors = [cmap(i) for i in numpy.linspace(0, 1, simulations)]
plt.figure(figsize=(7, 7))
plt.scatter(coords[:, 0], coords[:, 1], marker='o', c=colors, s=50, edgecolor='None')
markers = []
labels = [str(n+1) for n in range(simulations)]
for i in range(simulations):
markers.append(Line2D([0], [0], linestyle='None', marker="o", markersize=10, markeredgecolor="none", markerfacecolor=colors[i]))
lgd = plt.legend(markers, labels, numpoints=1, bbox_to_anchor=(1.17, 0.5))
plt.tight_layout()
plt.axis('equal')
plt.show()
これにより、次のプロットが生成されます。
これが1が6と7に近いことを示していないことがわかります。代わりに、それは4に最も近いです。
次に、削減が極小値で停止したかどうかわからないので、グラフを描画しようとしました。
networkx を nx としてインポート
plt.figure(figsize=(7, 7))
dt = [('len', float)]
A = delta
A = A.view(dt)
G = nx.from_numpy_matrix(A)
pos = nx.spring_layout(G)
nx.draw_networkx_nodes(G, pos, node_color=colors, node_size=50)
lgd = plt.legend(markers, labels, numpoints=1, bbox_to_anchor=(1.17, 0.5))
plt.tight_layout()
plt.axis('equal')
plt.show()
ご覧のとおり、同じことが起こります。この最新の方法を繰り返し続けると、さまざまな種類のグラフになる可能性があります。
ここでは、私が期待するものにさらに近づきます。ただし、これらの動作はどれも正しいようです。グラフの初期化がどれほど異なっていても、距離は尊重されるべきです。
したがって、この距離行列を適切に表現するには、何が欠けているのか疑問に思っています。
ありがとう。
