Scikit learn Sci kit学习聚类模型是否具有隐藏的全局状态？

我正在尝试使用scikit learn的

凝聚聚类

模型对一些数据进行聚类

为了确定更好的参数，我在for循环中尝试了不同的参数。似乎只有第一个结果是均匀分布的，而其他的聚类结果太偏了，大多是一个大的聚类（~2000）和其他1或2个元素的聚类

我的代码如下所示：

for n in range(8, 15):
    model = AgglomerativeClustering(n)
    result = do_cluster(model, data_to_cluster)
    show_cluster_result(result)

在我的

do_cluster

函数中，我只需做

建模。拟合预测（数据到_cluster）

我假设我必须在集群或其他事情之后重置

模型

谁能告诉我我错过了什么


在阅读了善意的回答之后，我重新检查了我的代码。我的代码有一个愚蠢的错误，它在显示结果（其中包含对源数据的引用）时将
data\u的一些值更改为\u cluster
。我深度复制了源数据，bug就消失了。我应该更仔细地检查我的代码

谢谢。
每次迭代都会实例化一个新模型，因此这些实例之间不会传递全局状态

如果您对聚类不满意，请尝试调整此聚类算法的一些输入参数（请参阅）或尝试其他聚类算法（）。
分层聚类（和其他算法）通常会生成包含异常值的小聚类。这就是为什么，例如，DBSCAN有一个噪声概念。这样的数据点是存在的，它们不能很好地作为集群处理

所以我怀疑是否有一个“全球国家”导致了这一点。您可以简单地缩小范围，例如，仅尝试k=12。如果你的假设是正确的，那么使用一个k就可以了

如果您想更好地了解结果，请查看树状图。这比尝试不同的k更有用