不使用阈值对值数组进行聚类

Question

我想将每个值代表一个错误的一维数据集分成 2 段：

• 具有最小值的簇

• 所有其他人

例子：

X = np.array([1, 1.5, 0.4, 1.1, 23, 24, 22.5, 21, 20, 25, 40, 50, 50, 51, 52, 53]).reshape(-1, 1)

在这个小示例中，我想将集群中的前 4 个值重新分组，而忽略其他值。我不想要基于阈值的解决方案。关键是兴趣簇质心并不总是具有相同的值。可能是1e-6，也可能是1e-3，也可能是1。

我的想法是使用 k 均值聚类算法，如果我确实知道数据中存在多少个聚类，该算法就会很好地工作。在上面的例子中，数字是 3，一个大约 1（感兴趣的簇），一个大约 22，一个大约 51。但遗憾的是，我不知道簇的数量......简单地搜索 2 个簇是不会的导致数据集按预期分割。

kmeans = KMeans(n_clusters=2, random_state=0).fit(X)
kmeans.labels_

返回一个太大的簇 1，其中还包括以 22 为中心的簇的数据。

array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0])

我确实找到了一些关于选择 k 的方法的有趣答案，但它使算法变得复杂，我觉得必须有更好的方法来解决这个问题。

我愿意接受任何可以在X所提供的数组上工作的建议和示例。

Answer 1

您可能会发现AffinityPropagation这里很有用，因为它不需要指定要生成的簇的数量。然而，您可能需要调整 和damping factor，preference以便它产生预期的结果。在提供的示例中，默认参数似乎可以完成这项工作：from sklearn.cluster import AffinityPropagationX = np.array([1, 1.5, 0.4, 1.1, 23, 24, 22.5,               21, 20, 25, 40, 50, 50, 51, 52, 53]).reshape(-1, 1)ap = AffinityPropagation(random_state=12).fit(X)y = ap.predict(X)print(y)# array([0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2], dtype=int64)要从 获取各个簇X，您可以使用以下方法建立索引y：first_cluster = X[y==0].ravel()first_cluster# array([1. , 1.5, 0.4, 1.1])second_cluster = X[y==1].ravel()second_cluster# array([23. , 24. , 22.5, 21. , 20. , 25. ])