Python KMeans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。

有人能找到我的好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并尽快将它作为GPLv3发布。

Answer 2

不是你的具体问题的答案，但我建议看一下“编程集体智慧” 。 在每一章的最后，例如，聚类，它徘徊在描述关于该主题的所有最佳阅读。

Answer 3

CrossValidated上这个非常好的答案怎么样？

它使用Affinity Propagation而不是k-means，在这种情况下，您可以将距离度量作为输入。 我不认为任何基于k-means的方法可以在你的情况下工作，因为它基于构建质心，为了做到这一点，你必须在一个向量空间。

亲和力传播具有以下奖励：它自动选择群集的数量，您可以通过更改偏好来调整（具有更多或更少的群集）（默认情况下是所有成对距离的中位数，但您可以选择其他百分位数）。

如果你需要指定集群的确切数量，除了通过试验和错误调整Affinity Propagation之外，你可以寻找k-medoids的实现 （显然在sklearn中没有实现它，但人们已经在这里和那里要求它） 。 K-medoids不构建质心，因此它不需要向量空间的概念。 因此，实现可能接受预先计算的距离矩阵作为输入（但是没有检查我给出的引用）。

Answer 4

也许看看Weka吧 。 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，不确定它是否适用于真正的生产环境，但确实是一个很好的起点。