Python K意味着聚类单词

Question

我有兴趣在距离测量为Leveshtein的单词列表上执行kmeans聚类。

1）我知道有很多框架，包括具有kmeans实现的scipy和orange。然而，它们都需要某种矢量作为不适合我的数据。

2）我需要一个很好的集群实现。我查看了python-clustering并意识到它不会a）返回每个质心的所有距离的总和，并且b）它没有任何类型的迭代限制或切断，这确保了聚类的质量。 python-clustering和daniweb上的聚类算法并不适用于我。

有人能找到一个好的lib吗？谷歌不是我的朋友

Answer 1

是的，我认为我所需要的并没有很好的实施。

我有一些疯狂的要求，比如远程缓存等。

所以我想我会写自己的lib并很快将它作为GPLv3发布。

Answer 2

不是您的具体问题的答案，但我建议您浏览"Programming Collective Intelligence"。在每一章的最后，例如，聚类，它徘徊在描述该主题的所有最佳阅读。

Answer 3

也许看看Weka。它是一个Java库，带有一些无监督的学习实现和很好的可视化工具。自从我使用它已经有一段时间了，不确定它是否适合真正的生产环境，但确实是一个很好的起点。

Answer 4

关于CrossValidated的this非常好的答案呢？

它使用亲和传播而不是k均值，在这种情况下，您可以输入距离度量。我不认为任何基于k均值的方法都可以在您的情况下使用，因为它是基于构建质心的，因此必须将其置于向量空间中。

Affinity Propagation有一个好处，它可以自动选择簇数，您可以通过更改首选项（默认情况下为所有成对距离的中位数，来调整（具有更多或更少的簇）），但是可以选择其他百分位数）。

如果您需要指定群集的确切数目，除了可以通过反复试验来调整“亲和力传播”，还可以寻找k-medoids的实现（显然，在sklearn中没有实现它，但是人们要求here和there）。 K质心不会建立质心，因此它不需要向量空间的概念。因此，实现可能会接受预先计算的距离矩阵作为输入（尽管没有检查我提供的参考）。