scikit learn (python) 中的 Meanshift 不理解数据类型

Question

我有一个包含 7265 个样本和 132 个特征的数据集。 我想使用 scikit learn 的 meanshift 算法，但我遇到了这个错误：

Traceback (most recent call last):
  File "C:\Users\OJ\Dropbox\Dt\Code\visual\facetest\facetracker_video.py", line 130, in <module>
    labels, centers = getClusters(data,clusters)
  File "C:\Users\OJ\Dropbox\Dt\Code\visual\facetest\facetracker_video.py", line 34, in getClusters
    ms.fit(np.array(dataarray))
  File "C:\python2.7\lib\site-packages\sklearn\cluster\mean_shift_.py", line 280, in fit
    cluster_all=self.cluster_all)
  File "C:\python2.7\lib\site-packages\sklearn\cluster\mean_shift_.py", line 137, in mean_shift
    nbrs = NearestNeighbors(radius=bandwidth).fit(sorted_centers)
  File "C:\python2.7\lib\site-packages\sklearn\neighbors\base.py", line 642, in fit
    return self._fit(X)
  File "C:\python2.7\lib\site-packages\sklearn\neighbors\base.py", line 180, in _fit
    raise ValueError("data type not understood")
ValueError: data type not understood

我的代码：

dataarray = np.array(data)
bandwidth = estimate_bandwidth(dataarray, quantile=0.2, n_samples=len(dataarray))
ms = MeanShift(bandwidth=bandwidth, bin_seeding=True)
ms.fit(dataarray)
labels = ms.labels_
cluster_centers = ms.cluster_centers_

如果我检查我看到的数据变量的数据类型：

print isinstance( dataarray, np.ndarray )
>>> True

带宽为0.925538333061，dataarray.dtype为float64

我正在使用 scikit learn 0.14.1

我可以与 sci-kit 中的其他算法（尝试过 kmeans 和 dbscan）进行聚类。我做错了什么？

---

编辑：

数据可以在这里找到： （泡菜格式）：http://ojtwist.be/datatocluster.p 和：http://ojtwist.be/datatocluster.npz

Answer 1

这是 scikit 项目中的一个错误。它记录在here。

在拟合过程中有一个 float -> int 转换，在某些情况下可能会崩溃（通过将种子点放置在 bin 的角落而不是中心）。链接中有一些代码可以解决问题。

如果您不想接触 scikit 代码（并保持您的代码与其他机器之间的兼容性），我建议您在将数据传递给 MeanShift 之前对其进行规范化。

试试这个：

>>>from sklearn import preprocessing
>>>data2 = preprocessing.scale(dataarray)

然后在您的代码中使用 data2。 它对我有用。

如果你不想做任何一个解决方案，这是一个为项目做出贡献的好机会，对解决方案提出拉取请求:)

编辑：您可能希望保留信息以“降低”均值偏移的结果。因此，请使用 StandardScaler 对象，而不是使用函数进行缩放。

祝你好运！