对聚类感到困惑

Posted 2023-03-12

【中文标题】对聚类感到困惑

【英文标题】：Confused with Clustering

【发布时间】：2020-04-19 07:52:13

【问题描述】：

我对数据科学过程中的集群感到非常困惑。 我们知道，在二维空间中对相似点进行分组的过程是基于这个公式：

distance = sqrt( (x2-x1)^2 + (y2-y1)^2 )

但是在向 sklearn 引入输入时，我们只是输入 x 轴值 :( y 轴值发生了什么变化？

例如我们有以下数据库：

index    x     y
------------------
  0      5     8
  1      6     9
  2      7     10

我们将 x 引入 KMeans

from sklearn.cluster import KMeans
kmeans = KMeans(2)
kmeans.fit(df["x"])

没有y值如何计算距离？

【问题讨论】：

好吧，看起来您只是将 x 值传递给它，因此可以在一维中运行聚类算法。 （对其进行搜索。）如果您在 2D 中考虑它，这类似于将所有 y 值设为零。

在 scikit 的示例中，他们为 fit 函数使用了一个 numpy 点数组，而不仅仅是 x 值。 scikit-learn.org/stable/modules/generated/…

这是一个愚蠢的问题。我犯了一个可怕的错误：|

【参考方案1】：

KMeans 聚类可以在任意数量的维度上完成。如您所说，可以使用Euclidean distance 计算距离。可以针对任意数量的维度计算此距离。你传递了一个数组，所以在这种情况下它只是一维，所以公式将简化为：

distance = sqrt((x2-x1)^2)

这实际上只是 (x2-x1) 的绝对值