通过 KMeans 聚类确定双峰分布的阈值

Question

我想找到双峰分布的阈值。例如，双峰分布可能如下所示：

import numpy as np
import matplotlib.pyplot as plt
np.random.seed(45)
n = 1000; b = n//10; i = np.random.randint(0,2,n)
x = i*np.random.normal(-2.0,0.8,n) + (1-i)*np.random.normal(2.0,0.8,n)
_ = plt.hist(x,bins=b)

尝试找到聚类中心没有成功，因为我不确定矩阵 h 应该如何格式化：

from sklearn.cluster import KMeans
h = np.histogram(x,bins=b)
h = np.vstack((0.5*(h[1][:-1]+h[1][1:]),h[0])).T  # because h[0] and h[1] have different sizes.
kmeans = KMeans(n_clusters=2).fit(h)

我希望能够找到 -2 和 2 附近的聚类中心。阈值将是两个聚类中心的中点。

Answer 1

你的问题让我有点困惑，所以如果我的解释不正确，请告诉我。我认为你基本上是在尝试做一维 kmeans，并尝试引入频率作为第二个维度来开始KMeans工作，但实际上只是[-2,2]对中心的输出感到满意，而不是[(-2,y1), (2,y2)]。

要执行 1D kmeans，您只需将数据重塑为n1 长度向量（类似问题：Scikit-learn: How to run KMeans on a one-Dimensional array?）

代码：

import numpy as np
import matplotlib.pyplot as plt
np.random.seed(45)
n = 1000;
b = n//10;
i = np.random.randint(0,2,n)
x = i*np.random.normal(-2.0,0.8,n) + (1-i)*np.random.normal(2.0,0.8,n)
_ = plt.hist(x,bins=b)

from sklearn.cluster import KMeans
h = np.histogram(x,bins=b)
h = np.vstack((0.5*(h[1][:-1]+h[1][1:]),h[0])).T  # because h[0] and h[1] have different sizes.

kmeans = KMeans(n_clusters=2).fit(x.reshape(n,1))
print kmeans.cluster_centers_

输出：

[[-1.9896414]
 [ 2.0176039]]