Machine learning 我可以使用哪种聚类模型来预测以下结果？

我的数据集中有三列。这是属于“比萨饼”类别的餐厅列表。此数据来自yelp数据集。每个餐厅有三列。纬度，经度，签到。我应该建立一个模型，在这个模型中，我应该能够预测我应该在哪里开一家新餐馆的坐标（纬度、经度），这样签到的次数就可以很高。总共有4951排 checkins latitude longitude 0 2 33.394877 -111.600194 1 2 43.841217 -79.303936 2 1 40.442828 -80.186293 3 1 41.141631 -81.356603 4 1 40.434399 -79.922983 5 1 33.552870 -112.133712 6 1 43.686836 -79.293838 7 2 41.131282 -81.490180 8 1 40.500796 -79.943429 9 12 36.010086 -115.118656 10 2 41.484475 -81.921150 11 1 43.842450 -79.027990 12 1 43.724840 -79.289919 13 2 45.448630 -73.608719 14 1 45.577027 -73.330855 15 1 36.238059 -115.210341 16 1 33.623055 -112.339758 17 1 43.762768 -79.491417 18 1 43.708415 -79.475884 19 1 45.588257 -73.428926 20 4 41.152875 -81.358754 21 1 41.608833 -81.525020 22 1 41.425152 -81.896178 23 1 43.694716 -79.304879 24 1 40.442147 -79.956513 25 1 41.336466 -81.784790 26 1 33.231942 -111.721218 27 2 36.291436 -115.287016 28 2 33.641847 -111.995571 29 1 43.570217 -79.566431 ... ... ... ... 这是我得到的情节 这不是群集问题

---

您要做的是密度估计，根据以前的入住频率估计密度。

您需要让我们知道您对导致入住次数高的原因所做的假设。假设您有未知点a和已知点x_1、x_2等。如果您假设签入（a）与$1/N\sum_i签入（x_i）/dist（a、x_i）$成比例，那么DBscan不是一个很好的选择。它不基于到质心的距离进行聚类。看看它展示了各种聚类算法如何处理不同的情况。有些，比如DBscan，更关心的是邻接而不是距离质心。其他人则相反。谢谢你。我来看看。

import pandas as pd
from sklearn.cluster import DBSCAN
import numpy as np
import matplotlib.pyplot as plt
review=pd.read_csv('pizza_category.csv')
checkin=pd.read_csv('yelp_academic_dataset/yelp_checkin.csv')

final=pd.merge(review,checkin,on='business_id',how='inner')
final.dropna()
final=final.reset_index(drop=True)
X=final[['checkins']]
X['latitude']=final[['latitude']].astype(dtype=np.float64).values
X['longitude']=final[['longitude']].astype(dtype=np.float64).values
print(X)
arr=X.values
db = DBSCAN(eps=2,min_samples=5)
y_pred = db.fit_predict(arr)
plt.figure(figsize=(20,10))
plt.scatter(arr[:, 0], arr[:, 1], c=y_pred, cmap="plasma")
plt.xlabel("Feature 0")
plt.ylabel("Feature 1")