machine-learning - probabilidad - kernel gaussiano

¿Cómo se usaría una estimación de densidad de kernel como un método de agrupamiento 1D en scikit learn?

Question

Necesito agrupar un conjunto simple de datos univariados en un número preestablecido de grupos. Técnicamente, estaría más cerca de agrupar u ordenar los datos, ya que solo es 1D, pero mi jefe lo llama agrupación, por lo que me atendré a ese nombre. El método actual utilizado por el sistema en el que estoy es K-medias, pero eso parece una exageración.

¿Hay una mejor manera de realizar esta tarea?

Las respuestas a algunas otras publicaciones mencionan KDE (Estimación de la densidad del kernel), pero ese es un método de estimación de la densidad, ¿cómo funcionaría?

Veo cómo KDE devuelve una densidad, pero ¿cómo le digo que divida los datos en contenedores?

¿Cómo tengo un número fijo de contenedores independientemente de los datos (ese es uno de mis requisitos)?

Más específicamente, ¿cómo se podría lograr esto con scikit learn?

Mi archivo de entrada se ve como:

 str ID     sls
 1           10
 2           11 
 3            9
 4           23
 5           21
 6           11  
 7           45
 8           20
 9           11
 10          12

Quiero agrupar el número de sls en grupos o contenedores, de manera que:

Cluster 1: [10 11 9 11 11 12] 
Cluster 2: [23 21 20] 
Cluster 3: [45] 

Y mi archivo de salida se verá como:

 str ID     sls    Cluster ID  Cluster centroid
    1        10       1               10.66
    2        11       1               10.66
    3         9       1               10.66 
    4        23       2               21.33   
    5        21       2               21.33
    6        11       1               10.66
    7        45       3               45
    8        20       2               21.33
    9        11       1               10.66 
    10       12       1               10.66

Answer 1

Escriba el código usted mismo. Entonces se ajusta mejor a tu problema!

Placa de preparación: Nunca asuma que el código que descarga de la red es correcto u óptimo ... asegúrese de entenderlo completamente antes de usarlo.

%matplotlib inline

from numpy import array, linspace
from sklearn.neighbors.kde import KernelDensity
from matplotlib.pyplot import plot

a = array([10,11,9,23,21,11,45,20,11,12]).reshape(-1, 1)
kde = KernelDensity(kernel=''gaussian'', bandwidth=3).fit(a)
s = linspace(0,50)
e = kde.score_samples(s.reshape(-1,1))
plot(s, e)

from scipy.signal import argrelextrema
mi, ma = argrelextrema(e, np.less)[0], argrelextrema(e, np.greater)[0]
print "Minima:", s[mi]
print "Maxima:", s[ma]
> Minima: [ 17.34693878  33.67346939]
> Maxima: [ 10.20408163  21.42857143  44.89795918]

Tus grupos por lo tanto son

print a[a < mi[0]], a[(a >= mi[0]) * (a <= mi[1])], a[a >= mi[1]]
> [10 11  9 11 11 12] [23 21 20] [45]

Y visualmente, hicimos esta división:

plot(s[:mi[0]+1], e[:mi[0]+1], ''r'',
     s[mi[0]:mi[1]+1], e[mi[0]:mi[1]+1], ''g'',
     s[mi[1]:], e[mi[1]:], ''b'',
     s[ma], e[ma], ''go'',
     s[mi], e[mi], ''ro'')

Cortamos en los marcadores rojos. Los marcadores verdes son nuestras mejores estimaciones para los centros de cluster.