可能的重复：
一维数字数组聚类
我有一个数字数组，例如[1, 20, 300, 45, 5, 60, 10, 270, 3]. 根据邻近度将这些数字分组在一起的有效算法是什么？在这种情况下，我期望类似[1, 3, 5],[20, 45, 60]和 的东西[270, 300]。
language-agnostic algorithm math statistics cluster-analysis
在 R 中执行 k 均值后是否可以获得每个簇内的实际观测值？
例如，在我的分析之后，我有 2 个聚类，我想在每个聚类中找到精确的观察结果，这可能吗？
我有 1000 多个关键字的列表，我想按相似性将它们组合在一起。
例如：
我希望将“家具”和“椅子”这两个词组合在一起。
我知道我可以做到这一点的一种方法是指定一些预先选择的“质心”术语，然后计算每个术语的 Levenshtein 距离并使用 kmeans 对它们进行聚类。
但我有兴趣了解的是，如何在不预先指定“椅子”和“家具”等质心术语的情况下做到这一点。
谢谢。
这是我在kmeans之前的工作-
> sort(table(mydata))
mydata
23 7 9 4 10 3 5 8 2 1
1 3 3 4 5 6 6 6 7 9
km <- kmeans(mydata, centers = 10)
在kmeans之后-
> sort(table(km$cluster))
km$cluster
1 6 7 3 5 2 4 10 8 9
1 3 3 4 5 6 6 6 7 9
显然，我的所有1都存储在群集9中，所有2都存储在群集8中，依此类推。
我可以使用R查找特定数字所属的群集吗？说，找到我的1属于哪个集群？
我已经应用 Doc2vec 将文档转换为向量。之后，我在聚类中使用向量并找出与每个集群的质心最近/最相似的 5 个文档。现在我需要找到这些文档中最主要或最重要的术语，以便我可以弄清楚每个集群的特征。我的问题是有什么方法可以找出 Doc2vec 中文档的最主导或最相似的术语/单词。我正在使用 python 的 gensim 包来实现 Doc2vec
我是 Python 初学者。现在，我试图了解sklearn.cluster.KMeans中的参数n_init是什么
从文档中：
n_init：整数，默认值：10
k-means 算法使用不同质心种子运行的次数。最终结果将是n_init连续运行中惯性方面的最佳输出。
起初，我认为这意味着代码运行的次数，直到我发现这个有用的问题，然后我意识到这就是max_iter所做的。
参数n_init到底有什么作用？我真的不明白。
python cluster-analysis machine-learning k-means scikit-learn
我目前正在使用kmodespython 包对包含分类参数的数据执行无监督学习。
我需要能够保存这些模型，因为我计划在生产管道中使用它，如果管道中的某些东西出现故障，我希望能够“回滚”到较旧的工作模型。
我可以使用任何文件格式，包括HDF5 格式。我也不喜欢kmodes，但是我确实需要能够处理混合的分类和数字数据。
我似乎找不到任何可以将完整kmodes模型保存到磁盘的方法，但我希望我只是遗漏了一些明显的东西。请提供任何可能的选择。
在使用高斯混合模型之前进行特征缩放很重要吗？以及为什么当我们使用概率来获取集群的参数（均值和协方差矩阵）时它很重要。另一方面，我知道在使用 K 均值之前标准化我们的数据很重要，因为这里的聚类取决于点和聚类之间的 Ecludiane 距离，如果一个特征具有较大的值，它将主导这个多维距离计算
我正在使用 sklearn 的内置数据集 iris 进行聚类。在 KMeans 中，我预先设置了簇的数量，但对于 DBSCAN 来说并非如此。如果不提前设置簇数，如何训练模型？
我试过：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
#%matplotib inline
from sklearn.cluster import DBSCAN,MeanShift
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split,KFold,cross_val_score
from sklearn.metrics import accuracy_score,confusion_matrix
iris = load_iris()
X = iris.data
y = iris.target
dbscan = DBSCAN(eps=0.3,min_samples=10)
dbscan.fit(X,y)
我已经被困住了！
python cluster-analysis machine-learning dbscan scikit-learn
我在形状为[1000，]的一维数组中有一些数据，其中包含1000个元素。我对该数据应用了k均值聚类，聚类数为10。应用k均值后，我为每个聚类得到了形状为[1000]的聚类标签（id），形状为[10]的质心。标签将0到9之间的值分配给1000个元素中的每个元素。但是，我希望每个元素都显示其质心，而不是其簇ID。我该如何实现？
from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=10)
kmeans.fit(data) #data is of shape [1000,]
#learn the labels and the means
labels = kmeans.predict(data) #labels of shape [1000,] with values 0<= i <= 9
centroids = kmeans.cluster_centers_ #means of shape [10,]
在上面的代码中，我想要[1000，]数组中每个元素的质心，而不是其簇ID。