sklearn中的加权聚类

Posted 2023-03-12

【中文标题】sklearn中的加权聚类

【英文标题】：Weighted clustering in sklearn

【发布时间】：2020-08-10 23:11:45

【问题描述】：

假设我有一组点（x、y 和大小）。我想使用sklearn.cluster.DBSCAN 及其中心在我的数据中查找集群。如果我对每一点都一视同仁，那就没问题了。但实际上我想要加权中心而不是几何中心（这意味着更大的点应该比更小的点计算更多）。

我遇到了sample_weight，但我不太明白这是否是我需要的。当我使用sample_weight（右侧）时，我得到的集群与我不使用它的情况（左侧）完全不同：

其次，我考虑使用np.repeat(x,w)，其中 x 是我的数据，w 是每个点的大小，因此我得到了与它们的权重成正比的点的多个副本。但这可能不是一个聪明的解决方案，因为我得到了大量数据，对吧？

sample_weight 在我的情况下有用吗？或者有没有比使用np.repeat 更好的解决方案的建议？我知道已经有一些关于sample_weight 的问题，但我无法准确读出如何使用它。

谢谢！

【问题讨论】：

是sklearn.cluster.DBSCAN的方法。我使用它：fit_predict(self, X[, y, sample_weight])

【参考方案1】：

DBSCAN 最重要的是参数设置。有 2 个参数，epsilon 和 minPts (=min_samples)。 epsilon 参数是您的点周围的半径，如果满足minPts，minPts 会将您的点视为集群的一部分。因此，我建议不要使用np.repeat，而是调整此数据集的参数。

根据DBSCAN 的文档，sample_weight 是您运行时的调优参数：

另一种减少内存和计算时间的方法是删除 （接近）重复点并使用 sample_weight 代替。

我认为您希望在调整运行时之前先解决结果的质量问题。

我不确定你所说的加权中心是什么意思，可能你指的是不同的聚类算法，例如 Gaussian mixture model。

【讨论】：

嗯，它们已经被加权了，对吧。这不就是基于密度的意思吗？如果您共享实际数据和实际代码会更有帮助，除非它是专有的。我会说算法正在做它应该做的事情。