无监督学习聚类一维数组

尝试 MeanShift . 从斯克里恩来的 user guide 意义转移:

该算法自动设置簇的数目。。。

修改的演示代码:

import numpy as np
from sklearn.cluster import MeanShift, estimate_bandwidth

# #############################################################################
# Generate sample data
X = [1,2,4,7,9,5,4,7,9,56,57,54,60,200,297,275,243]
X = np.reshape(X, (-1, 1))

# #############################################################################
# Compute clustering with MeanShift

# The following bandwidth can be automatically detected using
# bandwidth = estimate_bandwidth(X, quantile=0.2, n_samples=100)

ms = MeanShift(bandwidth=None, bin_seeding=True)
ms.fit(X)
labels = ms.labels_
cluster_centers = ms.cluster_centers_

labels_unique = np.unique(labels)
n_clusters_ = len(labels_unique)

print("number of estimated clusters : %d" % n_clusters_)
print(labels)

输出:

number of estimated clusters : 2
[0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1]

注意MeanShift是 不 可根据样本数量进行缩放建议的上限是10000。

顺便说一下,正如rahlf23已经提到的,K-mean是 无监督 学习算法必须指定集群数量并不意味着它是受监控的。

另见:

• Overview of clustering methods

• Choosing the right estimator

HDBSCAN 是最好的聚类算法,您应该始终使用它。

基本上你只需要提供一个合理的 min_cluster_size ,有效距离 metric 你可以走了。

为了 最小群集大小 我建议使用3,因为一个2的集群是无用的 米制的 违约 euclidean 工作得很好,所以你甚至不用提它。

别忘了距离指标适用于 向量 在这里我们有 标量 所以一些丑陋的重塑是有序的。

总而言之,假设“得分最高的集群”是指包含我们得到的最大值的集群:

from hdbscan import HDBSCAN
import numpy as np

y = [1,2,4,7,9,5,4,7,9,56,57,54,60,200,297,275,243]
y = np.reshape(y, (-1, 1))

clusterer = HDBSCAN(min_cluster_size=3)
cluster_labels = clusterer.fit_predict(y)

best_cluster = clusterer.exemplars_[cluster_labels[y.argmax()]].ravel()
print(best_cluster)

输出是 [297 200 275 243] . 不保留原始订单。 西拉维 是的。

聚类 是 这里杀戮过度

只需计算后续元素的差异也就是说,看看 x[i]-x[i-1] .

选择 千 最大的差异作为分割点或者定义何时拆分的阈值例如20取决于你的数据知识。

这是O(n),比前面提到的要快得多也很容易理解和预测。

在一维有序数据上,任何不使用该顺序的方法都将慢于所需的速度。