Python 使用sklearn tf idf查找矢量化文本文档中的群集数

我正在尝试使用sklearn

tf-idf

和

k-means

对对话框进行集群。我使用轮廓分数计算了最佳簇数，但它几乎是线性增加的。那么，有没有其他的方法或者我做错了什么

代码：

---

根本问题要严重得多，没有简单的解决办法：

K-均值对异常值非常敏感。但在典型的文本数据中，存在大量的异常值。大多数文件在某种程度上都是不寻常的。因此，“最佳”解决方案是将所有非重复点放在它们自己的簇中，即使用大得离谱的k。这不仅极大地增加了运行时间，而且还使得结果几乎毫无用处，除非您处于非常理想的场景中，比如20个新闻组

因此，请使用主题建模或类似的算法，这些算法在该场景中工作得更好。但我没有任何其他集群的建议。如果没有无休止的参数选择，似乎没有一个能很好地发挥普遍作用

tfidfV = TfidfVectorizer(max_features = 40000, ngram_range = ( 1, 3 ), sublinear_tf = True)
...
X = tfidfV.fit_transform(docm2)
...
for numb in nn:
    km = KMeans(n_clusters=numb)
    clabels = km.fit_predict(X)
    silhouette_avg = silhouette_score(X, clabels)
    print("For n_clusters = ", numb, "The average silhouette_score is: ", silhouette_avg)