作为我的第一个数据科学项目，我想挑选嘈杂数据中的主要集群。我认为一个很好的例子是尝试在具有多个答案的给定 StackExchange 问题上挑选某些链接。最常见的链接类型是指向 SE 网络上的问题的链接。下一个常见的是标签链接，或指向用户配置文件的链接。剩余的链接可能是帖子中包含的随机链接，这被认为是噪音。理想情况下，我正在寻找一种解决方案，我不知道提前会有多少链接集群。

我已经使用scikit-learn和 KMeans 实现了我的第一次尝试。但是，这并不理想，因为我似乎必须提前指定集群的数量，而且我认为随机、嘈杂的链接分组不正确。我还认为与相对较小的 URL 令牌相比，它在较大的语料库上更有效（尽管这只是一个猜测）。

有没有办法进行这种类型的集群，其中集群的数量是未知的，或者其中一个集群是一种杂项集群，其中包含与其他集群不紧密匹配的对象？