我找到了Jenks Natural Breaks算法的Python 实现，我可以让它在我的 Windows 7 机器上运行。考虑到我的地理数据的大小，它的速度非常快，并且可以在很短的时间内找到中断。在对我的数据使用此聚类算法之前，我使用的是（此处）算法。我在使用 KMeans 时遇到的问题是找到最佳 K 值参数，但我“解决了”它针对不同 K 值启动算法并使用（此处）找到最佳 K。sklearn.clustering.KMeans sklearn.metrics.silhouette_score
我的问题是：如果我告诉 Natural Breaks 算法找到 5 个类（即 K），我如何确定这是与我的数据最匹配的类数？如何验证我选择了最佳休息次数？
谢谢！
Jenks Natural Breaks 通过优化方差拟合优度来工作，该值介于 0 到 1 之间，其中 0 = 无拟合，1 = 完美拟合。选择类数的关键是在检测差异和过度拟合数据之间找到平衡。为了确定最佳的类数，我建议您使用您想要的阈值 GVF 值，并首先使用满足该值的类数。
下面是一个计算方差拟合优度的函数，给定一个要分类的值数组和选择的类数：
from jenks import jenks
import numpy as np
def goodness_of_variance_fit(array, classes):
# get the break points
classes = jenks(array, classes)
# do the actual classification
classified = np.array([classify(i, classes) for i in array])
# max value of zones
maxz = max(classified)
# nested list of zone indices
zone_indices = [[idx for idx, val in enumerate(classified) if zone + 1 == val] for zone in range(maxz)]
# sum of squared deviations from array mean
sdam = np.sum((array - array.mean()) ** 2)
# sorted polygon stats
array_sort = [np.array([array[index] for index in zone]) for zone in zone_indices]
# sum of squared deviations of class means
sdcm = sum([np.sum((classified - classified.mean()) ** 2) for classified in array_sort])
# goodness of variance fit
gvf = (sdam - sdcm) / sdam
return gvf
def classify(value, breaks):
for i in range(1, len(breaks)):
if value < breaks[i]:
return i
return len(breaks) - 1
例如，假设您决定 GVF 至少应为 0.8，那么您可以增加类的数量直到 GVF 得到满足：
gvf = 0.0
nclasses = 2
while gvf < .8:
gvf = goodness_of_variance_fit(array, nclasses)
nclasses += 1