使用python确定给定数据集的最佳kmean

Question

我对python和clusttering之类的东西还很陌生。现在我的任务是分析一组数据，并使用肘部和轮廓法确定其最佳Kmean

如图所示，我的数据集有三个特征，一个是受试者的体重，第二个是受试者的血液胆固醇含量，第三个是受试者的性别（“0”表示女性，“1”表示男性）

我首先使用弯头方法查看不同k值下的wcss值

from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
wcss = []
for i in range(1, 11):
    kmeans = KMeans(n_clusters=i, init='k-means++', max_iter=300, n_init=10, random_state=0)
    kmeans.fit(data)
    wcss.append(kmeans.inertia_)
plt.plot(range(1, 11), wcss)
plt.title('Elbow Method')
plt.xlabel('Number of clusters')
plt.ylabel('WCSS')
plt.show()
            

并在以下位置获得绘图：

然后，我使用剪影方法查看剪影分数：

from sklearn.metrics import silhouette_score

sil = []

for k in range(2, 6):
  kmeans = KMeans(n_clusters = k).fit(data)  
  preds = kmeans.fit_predict(data)
  sil.append(silhouette_score(data, preds, metric = 'euclidean'))


plt.plot(range(2, 6), sil)
plt.title('Silhouette Method')
plt.xlabel('Number of clusters')
plt.ylabel('Sil')
plt.show()

for i in range(len(sil)):
 print(str(i+2) +":"+ str(sil[i]))

我得到了以下结果：

有人能建议我如何选择最佳Kmean吗？我做了一些简单的研究，有人说s分数越高越好（在我的例子中，聚类数应该是2？），但在其他一些情况下，他们并不是简单地使用聚类数得分最高

另一个想法是，在这里我将性别作为一个特征，我是否应该首先按性别将我的数据分为两类，然后分别对它们进行聚类

Answer 1

K-means算法非常容易受到特征测量范围的影响，在您的情况下，性别是一个二元变量，只取值0和1，但其他两个特征是更大范围的测量，我建议您先对数据进行标准化，然后再进行绘图，这样可以在肘部曲线和轮廓方法之间产生一致的结果

希望这有帮助