【发布时间】：2025-12-27 06:15:06
【问题描述】：
我有一个人类仅根据他们对系统的了解执行的数据聚类。我还有每个元素的特征向量。我不知道特征的含义，也不知道人类聚类背后的原因是什么。
我有关于哪些元素属于哪个集群的完整信息。我可以假设人类并不愚蠢，并且有一种方法可以从特征中得出聚类。
是否有一种智能方法可以对集群进行逆向工程？也就是说，我如何才能选择在大部分时间（在这个数据集上）产生相同聚类的特征和聚类算法？
到目前为止，我已经尝试了一种简单的方法——通过 python 中的 sklearn 库提供的聚类算法，并将获得的聚类与源聚类算法进行比较。这种方法不会产生好的结果。
我的下一个方法是使用特征的一些线性组合，或特征子集。再次，我的问题是，是否有比通过尽可能多的组合更智能的方法来做到这一点。
我无法摆脱这是一个标准问题的感觉，我只是错过了在 Google 上找到解决方案的正确术语。
【问题讨论】：
-
我投票把这个问题移到stats.stackexchange.com，他们接受关于数据挖掘和机器学习的问题。一些控制问题：这种“手动”聚类算法是在单个数据集上执行的，还是您有多个使用相同原理聚类的数据集？您是否了解手动聚类背后的原理（也许人类在看到数据之前假设了固定数量的聚类，也许人类假设数据集中的某些点不属于任何聚类，也许人类在聚类期间使用了数据的视觉表示）？
-
谢谢，我不知道在哪里发布。它最初是一个 scikit 问题，当我写它时它变得更加普遍。只有一个数据集。我知道集群背后的原理，但它如何转化为特征。一个很好的例子是：拿一组物体，一个人根据它们看起来是由什么材料（“可能是金属”）将它们聚集在一起（或者给出下面的回复，我猜他们对它们进行了分类）。现在我的特征集将是在物体中发现的分子、它们的密度、弹性等——未标记。可能存在一些不相关的特征，例如形状。
标签： python scikit-learn cluster-analysis feature-selection