我有分类数据，我正在尝试使用此处提供的 GitHub 包来实现 k-modes 。我正在尝试在我的（大型）数据集中创建集群，例如 5-7 条记录，每条记录最相似。
然而，到目前为止，我还没有办法选择最佳的“k”，理想情况下，这会导致最大的轮廓分数。这将是理想的，因为 k-modes 将相异/相似性度量作为距离。因此，我假设剪影距离将根据这种差异定义的距离度量来衡量集群的距离/距离，从而建立剪影分数。我找不到这个的实现。
我可以在这里使用肘部方法吗？但是，我无法理解如何以编程方式确定这一点，而无需查看图表，因为我必须多次重复执行此过程。目前，一个想法是 - 找到成本大幅下降的 k。看看接下来的几个值是否会降低成本。如果是，选择这个作为k，如果不是..然后呢？在这一点上我有点困惑。
我在网上看，也发现了这个，我无法用 k 模式来解释。我正在寻找任何代码/建议来让我走上正确的道路。
与其尝试寻找下载源代码的地方，不如自己实现，例如，Silhouette？
您在博客和存储库中在线找到的大量代码已损坏。
我见过很多 github 存储库的代码很糟糕，像你这样的人想知道为什么它不起作用。依靠匿名的其他人不犯错误是一个坏主意。在某些时候，您最好自己编写代码！
当然，可以依赖 sklearn、R、ELKI、Weka 等大型开源项目。这些有代码审查，讨论拉取请求，数十人查看代码，使用它，尝试查找和修复错误（但即使代码中存在错误）。
def matching_disimilarity(a, b):
return np.sum(a != b, axis=1)
silhouette_dict = dict()
cluster_labels = [...]
distinct_cluster_label_predictions = unique cluster_labels
for i in m_array:
other_records_in_cluster = m_array_(with cluster_prediction == cluster_prediction of i) - i
other_records_outside_cluster = m_array_(with cluster_prediction != cluster_prediction of i)
other_records_outside_cluster_labels = cluster labels of record in other_records_outside_cluster
sum_a = 0
sum_b = 0
sum_cluster_dist = dict()
avg_cluster_dist = dict()
for c in distinct_cluster_label_predictions:
sum_cluster_dist[c] = 0
# finding a(i) - for each observation i, calculate the average dissimilarity ai between i and all other
# points of the cluster to which i belongs.
for j in other_records_in_cluster:
sum_a += matching_disimilarity(i, j)
a = sum_a/len(other_records_in_cluster)
dict_b = dict()
# find average of inter-cluster distance with nearest neighbour
for j in other_records_outside_cluster:
dist_i_to_j = matching_disimilarity(i,j)
dict_b[j] = dist_i_to_j
sum_till_now = sum_cluster_dist[other_records_outside_cluster_labels[j]]
sum_cluster_dist[other_records_outside_cluster_labels[j]] = sum_till_now+dist_i_to_j
for c in distinct_cluster_label_predictions:
avg_cluster_dist[c] = sum_cluster_dist[c]/(length of elements_belonging_to_c)
# nearest_neighbour is the with smallest average distance
# for more than one nearest neighbour? Break randomly?
nearest_cluster_label = key of minimum avg_cluster_dist value
neighbouring_cluster_records = records with cluster_prediction == nearest_cluster_label
for k in neighbouring_cluster_records:
sum_b += dict_b[k]
b = sum_b/len(neighbouring_cluster_records)
if (a<b):
sil = 1 - (a/b)
elif(a==b):
sil = 0
else:
sil = b/a - 1
silhouette_dict[i] = sil
average_silhouette_score = avg(all values in silhouette_dict)
通常，您将选择与最高轮廓值关联的簇数，但这可能会很棘手，因为 X 和 Y 簇之间轮廓值的差异可以忽略不计。您是否尝试过生成剪影图？剪影图将让您可视化集群数据相对于它们分配的集群接近度，在 -1 到 1 的比例上，集群编号在垂直轴上