K 表示在不均匀大小的簇上进行聚类

Posted 2023-03-12

【中文标题】K 表示在不均匀大小的簇上进行聚类

【英文标题】：K means clustering on unevenly sized clusters

【发布时间】：2017-06-09 01:01:32

【问题描述】：

我必须在数据集上使用 k 均值聚类（我正在使用 Scikit 学习），看起来像这样

但是当我应用 K 意味着它没有给我预期的质心。并且分类错误。 如果我想知道在 scikit learn 中没有正确分类的点，还有什么想法。 这是代码。

km = KMeans(n_clusters=3, init='k-means++', max_iter=300, n_init=10)
km.fit(Train_data.values)
plt.plot(km.cluster_centers_[:,0],km.cluster_centers_[:,1],'ro')
plt.show()

这里的 Train_data 是 pandas 框架，具有 2 个特征和 3500 个样本，代码如下。

我可能是因为初始质心选择不当而发生的，但解决办法是什么？

【问题讨论】：

请提供您的代码。

@Farseer 我已经添加了。

【参考方案1】：

我有一个解决方案。 问题是缩放。 我只是使用

缩放了两个轴

sklearn.preprocessing.scale

这是我的结果

【参考方案2】：

首先，我希望您注意到两个图中 X 轴和 Y 轴的范围不同。所以，第一个质心（按 X 值排序）还不错。第二个和第三个是由于大量异常值而获得的。他们可能各自占据了两个最右边集群的一半。此外，k-means 的输出取决于质心的初始选择，因此请查看不同的运行或将 init 参数设置为随机是否会改善结果。提高效率的另一种方法是删除距离 d 半径内具有少于 n 个邻居的所有点。为了有效地实现这一点，您可能需要一个 kd-tree，或者只使用 sklearn 提供的DBSCAN 看看它是否工作得更好。

K-Means++ 也可能会选择异常值作为初始集群，如 here 所述。因此，您可能希望将 KMeans 中的 init 参数更改为“随机”并执行多次运行并获取最佳质心。

对于您的数据，因为它是二维的，所以很容易知道点是否被正确分类。使用鼠标“拾取”近似质心的坐标（请参阅here），然后将拾取坐标获得的聚类与从 k-means 获得的聚类进行比较。

【讨论】：

尝试了一切。甚至尝试显式设置初始质心。给出相同的结果。

如果你明确地设置了初始集群并且仍然得到相同的答案，那么这是由于离群值，因为k-means对离群值敏感，所以什么都做不了。您将不得不使用其他聚类算法，如 DBSCAN、SLINK（Heirarchical）等，或者如果您必须使用 k-means 通过使用我在答案中建议的方法删除异常值来修改数据