聚类一维数据

我有一个数据集，我想基于一个变量（没有缺失值）在该数据上创建聚类。我想基于该变量创建3个群集。

使用哪种聚类算法，k均值，EM，DBSCAN等？

我的主要问题是，在什么情况下我应该在EM上使用k-means还是在k-means上使用EM？

对于一维聚类，K-means算法和EM算法将非常相似。

在K均值中，您首先猜测均值在哪里，然后将每个点分配给具有最均值的聚类，然后根据当前的点分配重新计算均值（和方差），然后更新点的分配，然后更新办法 ...

在EM中，您还应该从均值在哪里开始猜测，然后计算分配的期望值（基本上是每个点在每个聚类中的概率），然后使用期望值更新估计的均值（和方差）作为权重，然后计算新的期望值，然后计算新的均值，...

主要区别在于，将点分配给K-均值的聚类是全有还是全无，其中EM给出组成员资格的比例/概率（一个点可能被视为具有A组的80％概率，A组的18％概率在B组中的概率为2％，在C组中的概率为2％）。如果组之间存在很大的分离，则这两种方法将得出非常相似的结果。但是，如果有相当多的重叠，则EM可能会给出更有意义的结果（如果对方差/标准差感兴趣的话甚至会更多）。但是，如果您只关心分配组成员身份而不关心参数，那么K-means可能会更简单。

为什么不两者都做，看看答案有何不同？如果它们相似，则选择较简单的模型；如果它们不同，则决定将分组与数据和外部知识进行比较。

在结果方面，EM优于k-均值。

但是，K均值具有更快的运行时间。

如果标准偏差/协方差矩阵近似相等，它们将产生相似的结果。如果您怀疑这是真的，请使用k-means。

数据为非高斯数据时使用DBSCAN。如果使用一维数据，则通常不适用，因为高斯近似值通常在一维中有效。

另一种简单的方法是基本上使用一维数组的排序：即遍历每个点并获得在正方向和负方向上与该点相距最小距离的值。例如：

data = [1,2,3,4,5,6,7,8,9,10,12]
k = 5
for a in data:
   print {'group': sorted(k, key=lambda n: abs(n-a))[0:k], 'point': a}

将给出：

{'group': [1, 2, 3, 4, 5], 'point': 1}
{'group': [2, 1, 3, 4, 5], 'point': 2}
{'group': [3, 2, 4, 1, 5], 'point': 3}
{'group': [4, 3, 5, 2, 6], 'point': 4}
{'group': [5, 4, 6, 3, 7], 'point': 5}
{'group': [6, 5, 7, 4, 8], 'point': 6}
{'group': [7, 6, 8, 5, 9], 'point': 7}
{'group': [8, 7, 9, 6, 10], 'point': 8}
{'group': [9, 8, 10, 7, 6], 'point': 9}
{'group': [10, 9, 8, 12, 7], 'point': 10}
{'group': [12, 10, 9, 8, 7], 'point': 12}

哪一点，接近特定点的项目基本上在其组内。该技术中唯一需要考虑的是变量k，它是簇的固定大小:-)。

如果只有一个变量，则无需聚类。您可以根据变量的分布轻松地将观察结果分组。

还是我在这里缺少几点？