Python 基于需求分类的机器学习方法

我有以下情况：

我的输入是一组。每个点（Long_Lat坐标）对应于一个区域的一个子区域的质心，并且对学校有需求。比如50个孩子需要一所学校

在使用cluster方法（）通过邻近性聚合这些点之后，我想将需求点分配给学校，以满足集群需求（该集群上所有点需求的总和）

换句话说，我想在该集群上创建学校，并将孩子（点）分配给这些学校

学校有固定容量限制

即：我需要3所学校（容量为40所），以满足C4集群100名儿童（P1、P2、P3）的需求

主要目标当然是了解这些学校的位置。但我可以用逻辑检索它

我应该使用什么方法来填充群集的容量？

---

这是正确的方法吗？

对于分布良好的数据，我认为最有效的方法是从k-means聚类开始。如果每个结果集群都符合学校的能力，那么您就有了一个解决方案

然而，你“担心”的情况是至少有一所学校产能过剩。例如，你有20个孩子在一条大河的北侧，90个在南侧，学校的容纳能力是40：你需要从南到北分配至少10个孩子

处理这个问题的算法方法是实现一个不同的错误函数：添加一个严重惩罚（即+无穷大成本）的子句，将第41名学生添加到该集群中

另一种方法是允许集群正常聚合，但随后进行调整。假设东南学校有46名学生，西南学校有44名：将离北学校最近的6名和4名学生送到该学校

---

这是否足以为您提供指导？你是否有过这样的情况，即你会有多所学校，既有能力过剩又有能力不足？我不想过度设计一个解决方案。

“应该”在很大程度上取决于你的健康标准——你没有提供。看来你已经用k-means解决了大部分分配问题。例如，当您设置k=3（对于您拥有的三所学校）并运行k-means时会发生什么？这怎么不能很好地解决你的问题呢？我们需要您关注特定的问题，以使其适用于堆栈溢出。如果不能更具体，请道歉。K-均值和Dbscan仅使用欧几里得距离。如何将需求限制添加到聚类中？“使用欧几里德距离”驱动聚类。我仍然不清楚：这是否也推动了你对学生的安置？您是否在尝试最小化所有学生上学的总距离？您是否需要最佳解决方案，或者一个近似的“好”解决方案就足够了？我真正需要的是为3个学校规模创建所有可能的学校配置。之后，我可以解决最佳使用设施的位置（与古洛比）。但首先我需要初始点。我想我可以使用ML来创建它们。经过一些挖掘，我开始认为这个问题没有现成的解决方案，并开始按照您的建议进行思考。我认为用您的推理对DBscan进行一些修改就足够了，因为我可以使用邻近性生成集群，并逐个检查容量。谢谢