哪種聚類算法最適合聚類一維特徵？

Question

哪一種clusetring機器學習算法最適合聚類一維數值特徵（標量值）？ 它是樺木，光譜聚類，k-means，DBSCAN ...還是別的？

Answer 1

所有這些方法對於多元數據都更好。除了歷史上用於一維數據的k-means以外，它們全都是，設計時考慮了多變量問題，並且它們都沒有針對1維數據的特定情況進行優化。

對於一維數據，使用核密度估計。 KDE在1d中是一項很好的技術，擁有強大的統計支持，並且很難用於多維集羣。

Answer 2

看看K-means clustering algorithm。該算法非常適合聚類一維特徵向量。但是，如果訓練數據集中存在異常值，那麼K表示聚類算法效果不佳，在這種情況下，您可以使用一些先進的機器學習算法。

我建議在爲您的數據集和問題陳述實施機器學習算法（分類，聚類等）之前，您可以使用Weka Toolkit來檢查哪種算法最適合您的問題陳述。 Weka工具包是大量機器學習和數據挖掘算法的集合，可以針對特定問題輕鬆實現。一旦確定哪種算法最適合您的問題，您可以修改或編寫自己的算法實現。通過調整它，你甚至可以達到更高的準確性。您可以從這裏獲得download weka。