Python 使用一个标称比例对三维数据进行聚类

问题陈述

我有2D数据框，用于保存有关用户工具使用特征的数据（例如，对于各个用户，系统A的使用率为88%，系统B的使用率为11%，系统C的使用率为1%：

        A      B       C
Usage  0,88   0,11   0,01

假设存在三个用户（ID:1、2、3），则存在以下矩阵：

ID:1    A      B       C     ID:2    A      B      C     ID:3    A      B    C
Usage  0,88   0,11   0,01    Usage  0,86   0,13   0,01   Usage  0,00  0,00  1,00

我考虑将单个2D矩阵聚合为3D矩阵，以识别具有类似使用行为的集群

目标

识别系统使用范围内的集群。在本例中，ID1和ID2应该集群。我构建了一个用于集群随机2D数据的工作环境

然而，我面临的问题是，在聚合的3D矩阵中，2D矩阵以固定的顺序堆叠。因此，在仅查看一个固定的标称序列时，不可能识别相似性，因为基本上每个用户2D数据都必须与所有其他2D数据进行比较，以发现相似的使用行为

思想

我想在机器学习中为小数据集集成一种有点k-fold交叉验证方法，但是我不知道如何将这种行为集成到聚类算法中

另一个想法是，可能是模式识别或层次聚类（尽管聚类总数未知） 是更好的方法，因为聚合3D矩阵的第三个轴处于标称比例（用户ID）。然而，到目前为止，我在模式识别领域还没有经验

---

也许有人有一个很好的方法来解决这个集群问题。

这个示例使用

标签\u true

仅用于评估，而不是作为DBSCAN本身的输入。

标签\u true

来自创建模拟数据集的函数。调用dbscan的正确方法是

db=dbscan（eps=0.3，min_samples=10）。fit（X）

在你的例子中，X是

[[valueA，valueB，valueC]，[valueA，valueB，valueC]，…]

结果是

db.labels.

你能在不考虑用户ID的情况下对特性A，B和C进行聚类吗？在您的示例中，您有3个用户，每个用户在3个维度上的位置相同，这似乎是聚类的完美输入。@Pallie我可以这样做，但我必须能够知道哪些用户彼此接近，属于同一个“使用群集”。你知道如何做到这一点吗？使用集群是你想要预测的，对吗？只需将数据插入任何聚类算法，看看哪种算法能很好地达到预期的结果。是的，没错！我想用DBSCAN。目前，我正试图找出如何将我的矩阵插入DBSCAN示例中。但我无法从引用的DBSCAN示例中找出如何输入

labels\u true

变量。也许你有个主意，因为我没有数据。它描述了地面真相课堂作业，这些作业显然是未知的D