Python sklearn中的加权聚类

假设我有一组点（x，y和size）。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。但实际上我想要的是加权中心，而不是几何中心（这意味着一个更大的点应该比一个更小的点更多）

我遇到了

sample\u weight

，但我不太明白这是否是我所需要的。当我使用

sample\u weight

（右侧）时，我得到了与不使用它时完全不同的簇（左侧）：

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比例的多个点的副本。但这可能不是一个聪明的解决方案，因为我得到了很多数据，对吗

sample\u weight

对我的情况有用吗，或者有没有比使用

np更好的解决方案的建议。重复
？我知道已经有一些关于
sample\u weight
的问题，但我无法准确地读出如何使用它

谢谢
 DBSCAN最重要的是参数设置。有两个参数，
epsilon
和
minPts
（=
minu samples
）。epsilon参数是点周围的半径，如果满足
minPts
，则
minPts
将点视为簇的一部分。因此，我建议调整此数据集的参数，而不是使用
np.repeat

根据的文档，
sample_weight
是运行时的一个调优参数：

另一种减少内存和计算时间的方法是删除
（接近）复制点，并使用样本重量代替

我认为在优化运行时之前，您需要首先解决结果的质量问题

我不确定加权中心是什么意思，可能您指的是不同的聚类算法，例如。
DBSCAN最重要的是参数设置。有两个参数，
epsilon
和
minPts
（=
minu samples
）。epsilon参数是点周围的半径，如果满足
minPts
，则
minPts
将点视为簇的一部分。因此，我建议调整此数据集的参数，而不是使用
np.repeat

根据的文档，
sample_weight
是运行时的一个调优参数：

另一种减少内存和计算时间的方法是删除
（接近）复制点，并使用样本重量代替

我认为在优化运行时之前，您需要首先解决结果的质量问题

我不确定你对加权中心的意思，可能你指的是不同的聚类算法，例如。
这是一种
sklearn.cluster.DBSCAN
的方法。我使用它的方式是：
fit\u predict（self，X[，y，sample\u weight]）
这是一种
sklearn.cluster.DBSCAN的方法。我使用它的方式是：
fit\u predict（self，X[，y，sample\u weight]）