标签: cluster-analysis

假设我想取 4 个点簇。每个集群可以在给定的一组 xy 坐标内。簇内的每个点都是随机生成的点。

这些聚类将作为我的 K-Means 聚类问题的输入。我如何使用 Python 做到这一点？

我有 157 维的数据，有 688 个数据点。我想用数据进行聚类。

由于 K-Means 是最简单的算法，因此我决定从这种方法开始。

这是 Sklearn 函数调用：

KMeans(init='k-means++', n_clusters=4, n_init=10), name="k-means++", data=sales)

以下是一些输出指标：

init                  time    inertia   homo   compl  v-meas     ARI     AMI  num_clusters
k-means++             0.06s    38967   0.262   0.816   0.397   0.297   0.250      4
k-means++             0.05s    29825   0.321   0.847   0.466   0.338   0.306      6
k-means++             0.07s    23131   0.411   0.836   0.551   0.430   0.393      8
k-means++             0.09s    20566   0.636   0.817   0.715   0.788   0.621     10
k-means++             0.09s    18695   0.534   0.794   0.638   0.568   0.513     12
k-means++             0.11s    16805   0.773   0.852   0.810   0.916   0.760     14 …

是否有可用于改进文档聚类结果的人工智能算法？用于聚类的算法可以是分层的或任何其他的.

谢谢

我想看看来自ak的所有元素意味着在R中的集群.

因此,例如,我有一个名为userSatisfaction的表,其中包含以下列:userID, variable(1 - > 7)和百分比(0 - 1%)我想找出群集号2中的所有用户.

在我对表的元素进行聚类之后,我希望看到位于同一群集中的用户.

所以,例如,如果我有5个集群,我也希望看到集群2中的所有用户.我怎么能在R中做到这一点？

谢谢.

我面临以下数组：

y = [1,2,4,7,9,5,4,7,9,56,57,54,60,200,297,275,243]

我想做的是提取得分最高的集群。那将是

best_cluster = [200,297,275,243]

我已经检查了很多关于这个主题的堆栈问题，其中大多数建议使用 kmeans。尽管其他一些人提到 kmeans 可能对一维数组聚类来说是一种矫枉过正。然而，kmeans 是一种监督学习算法，因此这意味着我必须传入质心的数量。由于我需要将此问题推广到其他数组，因此我无法为每个数组传递质心数。因此，我正在考虑实施某种无监督学习算法，该算法能够自行找出集群并选择最高的集群。在数组 y 中，我会看到 3 个集群 [1,2,4,7,9,5,4,7,9],[56,57,54,60],[200,297,275,243]。考虑到计算成本和准确性以及我如何为我的问题实现它，哪种算法最适合我的需求？

我有一个6x1000的二进制数据数据集(6个数据点,1000个布尔维度).

我对它进行聚类分析

[idx, ctrs] = kmeans(x, 3, 'distance', 'hamming');

我得到了三个集群.我如何可视化我的结果？

我有6行数据,每行有1000个属性; 其中3个在某种程度上应该相似或类似.应用聚类将显示聚类.由于我知道集群的数量,我只需要找到类似的行.汉明距离告诉我们行之间的相似性,结果是正确的,有3个集群.

[编辑:对于任何合理的数据,kmeans将总是找到所询问的簇数]

我想把这些知识带到易于观察和理解,而不必写出大量的解释.

Matlab的例子不合适,因为它涉及数字2D数据,而我的问题涉及n维分类数据.

数据集在这里http://pastebin.com/cEWJfrAR

[编辑1:如何检查集群是否重要？]

欲了解更多信息,请访问以下链接:http: //chat.stackoverflow.com/rooms/32090/discussion-between-oleg-komarov-and-justcurious

如果问题不明确,请询问您遗失的任何事情.

编辑这个问题的时候对聚类技术的了解很少，现在事后看来甚至不符合Stack Overflow网站的标准，但是我不会让我删除它，说其他人已经在这个（有效点）上投入了时间和精力，如果我继续删除，我可能暂时无法提出问题了，因此，我正在更新此问题，以使其与其他人可以借鉴的方式相关。仍然严格不遵循SO准则，因为我本人会将此标记为过于广泛，但是在当前状态下它没有任何价值，因此为其添加一点价值将是值得的。

更新的会话主题 “问题”是在聚类算法中选择最佳聚类数，该聚类算法会将各种形状分组，这些形状是图像上轮廓检测的输入，然后将聚类属性的偏差标记为“噪波”或“异常”。当时提出这个问题的要点是，所有数据集都是不同的，在它们中获得的形状也不同，并且每个数据集的形状编号也将有所不同。正确的解决方案是继续使用DBSCAN（带有噪声的基于密度的空间聚类应用程序）应用程序，该应用程序scikit-learn当时我还没有意识到，可以正常工作，现在该产品正在测试中，我只是想回到此并纠正这个旧错误。

旧问题

旧标题 kmeans聚类中k的动态选择

我必须生成一个k-means聚类模型，其中事先不知道类的数量，有没有一种方法可以根据聚类内的欧式距离自动确定k的值。

我希望它如何工作。从k的值开始，执行聚类，查看其是否满足阈值标准并相应地增加或减少k。问题是与框架无关的，如果您有使用Python以外的语言编写的Idea或实现，请也分享。

我在研究问题https://www.researchgate.net/publication/267752474_Dynamic_Clustering_of_Data_with_Modified_K-Means_Algorithm时发现了这个问题。我找不到它的实现。

我正在寻找类似的想法来选择最好的并自己实现，或者可以移植到我的代码中的实现。

编辑我现在正在考虑的想法是：

1. 肘法

2. X-均值聚类

I just want to do the community detection using Girvan Newman Algorithm, and the code was learned from a youtube video. However, when I run the same code, there comes an error

I have tried on Mac OS X python 2.7 terminal and python 3.7 by Jupyter both and the error are the same.

I expect the output to have two communities lists

我想对R应用层次聚类分析.我知道hclust()函数但不知道如何在实践中使用它; 我一直坚持向函数提供数据并处理输出.

我还想将层次聚类与生成的聚类进行比较kmeans().我再次不确定如何调用此函数或使用/操作它的输出.

我的数据类似于:

## dummy data
require(MASS)
set.seed(1)
dat <- data.frame(mvrnorm(100, mu = c(2,6,3), 
                          Sigma = matrix(c(10,   2,   4,
                                            2,   3, 0.5,
                                            4, 0.5,   2), ncol = 3)))