一起养成写作习惯！这是我参与「掘金日新计划 · 4 月更文挑战」的第16天，点击查看活动详情。
前面的传递闭包是为了得到一个模糊等价关系。举个具体的例子：
对于某个模糊相似矩阵，通过前面的传递闭包就可以得到一个这样的关系矩阵。
[
[1,0.3,0.6],
[0.3,1,0.9],
[0.6,0.9,1]
]
它具有自反性，对称性，传递性，我们称之为模糊等价矩阵。
而我们知道在布尔代数中，等价关系是可以用来划分集合。如果能把这里理论应用到模糊等价矩阵，那我们就可以实现聚类操作了。
为此我们引入一个称之为 λ 截取操作。把所有的大于λ的值取1，小于λ的值取0。
具体的代码操作可能更清晰：
(x > 0.7).astype(int)
这里我们相当于让λ取值为0.7。
由此矩阵变成了这样：
[[1 0 0]
[0 1 1]
[0 1 1]]
可以发现一个神奇的现象，模糊等价矩阵便成了一个严格的等价关系。
由此我们可以将第一行和第二、三分类成两个类别。 这就是我们的聚类操作。
可以发现这里λ任取皆可实现分类操作。
不同的取值之间的区别是什么呢？答案就在得到的等价划分矩阵中。
其中的不同的值让我们在取λ的值时有了不同的结果。
因此将不同值各试一遍可以得到相应的不同结果的聚类输出。
这个过程就被称之为动态聚类。
幸运的是 numpy 中自带了一些好用的方法让我们做这件事。 比如通过 unique 运算得到λ的待取值列表。
然后之间通过上述的比较操作得到等价关系。
最后再由等价关系得到聚类结果即可。
最终我们可以写出如下操作：
def get_class(x: Tensor) -> Tuple[Set[Tuple[str]], Tensor]:
return {tuple(f'x_{i + 1}' for i, v in enumerate(line) if v) for line in x}, x # for readable format
def classify(x: Tensor): #
mark = np.unique(x)
# st.write(mark)
return [[i, *get_class((x >= i).astype(int))] for i in mark] # i is lambda λ
