无监督分类——获得特征向量

Question

我需要对商业产品进行分类。您知道价格比较引擎的作用。

我们已经获得了特征向量。它们不是最好的，但还不错。我的最后一步是在不知道有多少簇的情况下对它们进行分类。所以像 k-means 这样的算法是行不通的，因为它们需要有多少类。

所以这里是一组特征向量的例子。它们在这里是有序的（例如），但我需要一个不依赖于任何顺序的算法。

#################################################
47 - ddr2;asus;1066;g41;am;p5qpl;775;
48 - g41;p5qpl;asus;am;ddr2;vga;anakart;
49 - intel;anakart;ddr2;1066;p5qpl;asus;am;
50 - p5qpl;ddr2;asus;am;g41;vga;anakart;
51 - ddr2;asus;1066;g41;am;p5qpl;775;
52 - g41;p5qpl;1066;am;ddr2;asus;anakart;
53 - p5qpl;ddr2;1066;am;g41;asus;sata;
54 - g41;p5qpl;1066;am;asus;ddr2;sata;
###################################################
55 - engtx480;asus;384bit;2di;gddr5;vga;16x;
56 - 2di;karti;384bit;asus;engtx480;ekran;pci;
57 - asus;engtx480;2di;vga;gddr5;384bit;16x;
58 - 2di;karti;engtx480;384bit;asus;gddr5;1536mb;
59 - engtx480;asus;384bit;2di;gddr5;vga;16x;
60 - engtx480;asus;384bit;2di;gddr5;vga;16x;
####################################################
61 - ray;blu;ihbs112;siyah;bulk;dvd;sata;
62 - ihbs112;ray;blu;on;lite;yazici;kutusuz;
63 - ihbs112;blu;ray;lite;on;siyah;bulk;
64 - blu;ihbs112;ray;lite;on;siyah;yazici;
65 - liteon;ihbs112;bd;yazma;hizi;12x;max;
66 - ihbs112;ray;blu;on;lite;bulk;dvd;
67 - etau108;dvd;siyah;lite;on;rw;ihbs112;
68 - ihbs112;liteon;bd;yazma;hizi;12x;max;
69 - ihbs112;ray;blu;lite;on;siyah;bulk;
#####################################################

当人类看起来时，只需使用这些特征向量就可以很容易地对产品进行分类。但我需要通过算法来实现它。而且我还需要使用不需要任何先验信息的算法来实现它，只需使用特征向量。

从上面的特征向量集中，47-54 是一个簇，55-60 是另一个簇，61-69 是另一个簇（每个簇表示现实生活中的商业产品）。所以算法需要使用这些特征向量对它们进行正确分类。

算法不能依赖于特征向量的线序或有多少类。我们什么都不知道，我们只有特征向量。

等待您对此分类问题的建议。谢谢。

Answer 1

我可以确定需要解决的 3 个主要问题。

1) 从您提供的示例来看，您的所有向量的维数似乎都是 7。如果不是这种情况，您可以使用 PCA 将（未知但有界的）维数减少到固定大小。这可确保您无需大量修改即可使用聚类算法。

2) 要克服不知道集群大小的事实，可以使用DBSCAN。它需要两个参数：最小集群大小和邻域大小。

3) 您需要一个具有步骤 1) 维度的表示空间，聚类算法可以在该空间上运行。为此，您必须想办法从这些样本中构造特征向量。从您展示的示例来看，训练向量似乎不是在符号方面是任意填充的。在我看来，尽管你在说什么，你也许可以使用启发式方法。但是，如果这不可能，只需选择数字表示作为特征值。

Answer 2

Adaptive Resonance Theory 是对您问题的简短回答。与 KMeans 不同，您不需要预先设置集群的数量。输入是一组二元（ART 1 算法）或连续（ART -2A、ARTMAP 等）特征向量，输出是集群中文档的分类。