我在哪里可以找到一组带有真实标签的基准聚类数据集？

Posted 2023-03-12

【中文标题】我在哪里可以找到一组带有真实标签的基准聚类数据集？

【英文标题】：Where can I find a good set of benchmark clustering datasets with ground truth labels?

【发布时间】：2014-05-02 10:18:38

【问题描述】：

我正在为一些已知的自然聚类寻找带有“ground truth”标签的聚类数据集，最好是高维的。

我在这里 (http://cs.joensuu.fi/sipu/datasets/) 找到了一些不错的候选对象，但只有 Glass 和 Iris 数据集有这些点的标签。我还找到了一些代码来生成高斯数据集（SynDECA）。我想要这个的主要原因是比较一些聚类方法的距离度量。很难使用外部（外部）评估标准，因为其中许多都偏向于欧几里得距离；而且有很多选择。

谢谢！

【问题讨论】：

为什么external度量应该偏向于欧几里得距离？内部偏向于凸聚类。

【参考方案1】：

UCI Machine Learning Repository有很多数据集。

【讨论】：

感谢您的回复。我快速查看了这个 repo，但找不到具有“已知”自然聚类的数据集。你有分类数据集；但是共享一个类的数据可能不在同一个集群中。我需要的是一个已生成或已知包含内在“正确”聚类（如 Iris 或 Glass 集）的数据集。属性 1...属性 n 之类的东西，然后是一个附加列，上面写着集群 #。老实说，我不确定这样的数据是否真的存在；因为“正确”的聚类往往是主观的（尤其是对于高清数据）。

我不得不承认你想要的可能不是真的。当我想到“正确的聚类”时，在我看来这相当于一个分类问题。

集群！=类。大多数时候，您将在一个类中拥有集群，而类可能又会集群。考虑 iris 数据集：其中两个 iris 物种明显聚集。

@Anony-Mousse 但是，如果您有一组“正确”的集群，从某种意义上说是基于未包含在预测变量集中的一些观察到的特征，那不是集群而是一堂课，不是吗？也许我没有正确理解 user3457088 的要求。

我不知道有人标记了实际集群的任何数据集。通常，标记是面向目标的（即类），而不是像“这些对象似乎比其他对象更密切相关”那样具有观察性，即使其他对象具有相同的功能。

【参考方案2】：

除了提到的SIPU 和UCI ML 存储库之外，以下是其他集群基准测试聚合器的列表：

https://www.uni-marburg.de/fb12/arbeitsgruppen/datenbionik/data (FCPS) http://glaros.dtc.umn.edu/gkhome/cluto/cluto/download（克鲁托，变色龙） https://ifcs.boku.ac.at/repository/ (IFCS) https://github.com/deric/clustering-benchmark（Tomas Barton 的仓库） https://data.world/datasets/clustering（数据世界） https://github.com/gagolews/clustering_benchmarks_v1（Marek Gagolewski 的存储库）