如何根据集群之间的距离阈值来决定集群的数量，以便使用 sklearn 进行凝聚聚类？

Posted 2023-03-12

【中文标题】如何根据集群之间的距离阈值来决定集群的数量，以便使用 sklearn 进行凝聚聚类？

【英文标题】：How to decide the numbers of clusters based on a distance threshold between clusters for agglomerative clustering with sklearn?

【发布时间】：2019-01-27 01:06:21

【问题描述】：

使用sklearn 中的sklearn.cluster.AgglomerativeClustering，我需要提前指定生成的集群的数量。我想做的是合并集群，直到达到集群之间的某个最大距离，然后停止集群过程。

因此，聚类的数量可能会因数据结构而异。我也不关心生成的集群的数量或集群的大小，只关心集群质心不超过一定距离。

我怎样才能做到这一点？

【参考方案1】：

直接使用 scipy 而不是 sklearn。恕我直言，它好多了。

层次聚类是一个三步过程：

计算树状图 可视化和分析 提取分支

但这不符合 sklearn 的面向监督学习的 API 偏好，它希望一切都实现 fit、predict API...

SciPy 为您提供了一个功能：

https://docs.scipy.org/doc/scipy/reference/generated/scipy.cluster.hierarchy.fcluster.html#scipy.cluster.hierarchy.fcluster

【参考方案2】：

对于 scikit-learn 的凝聚聚类中的 distance_threshold 参数的拉取请求可能很有趣： https://github.com/scikit-learn/scikit-learn/pull/9069

看起来它会在 0.22 版本中合并。

编辑：请参阅my answer to my own question，了解使用 scipy 使用基于距离的停止标准实现单链接聚类的示例。