Algorithm 以距离矩阵为输入的聚类[评估]算法

有人能推荐一些可以使用距离矩阵作为输入的聚类算法吗？还是基于距离矩阵来评估聚类“优度”的算法

此时，我正在使用Kruskal算法（）的修改，将数据分成两个集群。但它有一个问题。当数据没有明显的簇时，算法仍将创建两个簇，其中一个簇包含一个元素，另一个簇包含所有其余元素。在本例中，我希望一个集群包含所有元素，另一个集群为空

是否有任何算法能够进行这种类型的聚类

是否有任何算法可以估计聚类的效果，甚至更好地估计数据中有多少个聚类

这些算法应该只使用距离（相似性）矩阵作为输入

或者可以评估 聚类的“善”也是如此 基于距离矩阵

KNN应该有助于评估聚类分配的“优点”。以下是方法：

给定一个距离矩阵，每个点根据其所属的簇（其“簇标签”）进行标记：

根据k-最近邻分类隐含的聚类标签测试每个点的聚类标签

如果k-最近邻表示另一个聚类，则该分类点会降低该聚类的总体“优度”评级

将每个像素的“良好评级”贡献相加，得到整个集群的总体“良好评级”

与k-means聚类分析不同，您的算法将返回关于分类不良点的信息。您可以使用该信息将某些点重新分配给新群集，从而提高群集的整体“优点”

由于该算法不知道簇质心的位置，因此也不知道全局簇密度，确保局部和全局密集的集群的唯一方法是对k值范围运行算法，并找到一种在k值范围内使优度最大化的安排

对于大量的点，您可能需要优化此算法；可以使用哈希表来跟踪相对于每个点的最近点。否则，该算法将需要相当长的时间来计算

或者可以评估 聚类的“善”也是如此 基于距离矩阵

KNN应该有助于评估聚类分配的“优点”。以下是方法：

给定一个距离矩阵，每个点根据其所属的簇（其“簇标签”）进行标记：

根据k-最近邻分类隐含的聚类标签测试每个点的聚类标签

如果k-最近邻表示另一个聚类，则该分类点会降低该聚类的总体“优度”评级

将每个像素的“良好评级”贡献相加，得到整个集群的总体“良好评级”

与k-means聚类分析不同，您的算法将返回关于分类不良点的信息。您可以使用该信息将某些点重新分配给新群集，从而提高群集的整体“优点”

由于该算法不知道簇质心的位置，因此也不知道全局簇密度，确保局部和全局密集的集群的唯一方法是对k值范围运行算法，并找到一种在k值范围内使优度最大化的安排

---

对于大量的点，您可能需要优化此算法；可以使用哈希表来跟踪相对于每个点的最近点。否则，该算法将花费相当长的时间进行计算。

可用于估计簇数的一些方法有：

---

一些可用于估计集群数量的方法有：

---

scipy.cluster.hierarchy运行3个步骤，就像Matlab（TM）一样 :

在这里，

链接

可能是一个修改过的Kruskal，不知道。 这 （ahem）使用上述方法。
作为聚类的一种度量，半径=rms到聚类中心的距离是快速而合理的， 用于二维/三维点

告诉我们您的Npt、ndim、ncluster、hier/flat？

---

群集是一个较大的区域，一个大小不适合所有区域。

scipy.cluster.hierarchy运行3个步骤，就像Matlab（TM） :

在这里，

链接

可能是一个修改过的Kruskal，不知道。 这 （ahem）使用上述方法。
作为聚类的一种度量，半径=rms到聚类中心的距离是快速而合理的， 用于二维/三维点

告诉我们您的Npt、ndim、ncluster、hier/flat？

---

聚类是一个较大的区域，一个大小不能适合所有区域。

K-最近邻（）是一种简单有效的聚类算法。只要稍加调整，它就会满足您的需要。K最近邻——在原点中，是分类算法（我不知道如何在聚类中使用它）。其中最著名的是K-均值聚类。（）据我所知，在原始形式中，我需要这个算法的坐标，我没有。我如何调整它，使其与距离矩阵一起工作？据我所知，k-means聚类是一种聚类分析算法，而不是聚类算法本身。K-均值是分析聚类优度的好方法。由于k-means聚类问题是NP难问题，您需要使用其他一些算法来近似理想的k-means聚类。劳埃德算法（），不会

Y = scipy.spatial.distance.pdist( pts )  # you have this already
Z = hier.linkage( Y, method )  # N-1
T = hier.fcluster( Z, ncluster, criterion=criterion )