如何强制聚类算法匹配预期结果？答案

【问题标题】：How to force a clustering algorithm to match expected results?如何强制聚类算法匹配预期结果？
【发布时间】：2019-11-12 03:28:59
【问题描述】：

我有 2 个包含多个变量的数据集（data_A 和 data_B）。有 2 个可能的输出（pheno_1 和 pheno_2）。我知道 data_A 几乎有 100% 的 pheno_1，而 data_B 有大约 50% 的 pheno_1。但是数据集没有标记。我正在寻找一种聚类或分类算法，以匹配我的预期结果的方式对我的数据进行聚类。然后我将使用聚类来预测不同数据集的输出。

到目前为止，我正在使用 K-Means 并尝试不同的变量集和不同的标准化方法，以获得我正在寻找的最终结果。我想找到一种“自动化”方法，它会尝试不同的组合，直到找到我要找的东西。

暂时没有可显示的代码。

【问题讨论】：

聚类算法一般为unsupervised。如果您想强制结果符合您的期望，您通常必须为其提供一些supervised 信息。或者您可以尝试semi supervised 技术，例如RSSL 包中的技术。
如果数据不支持这种结构怎么办？或者不是由高方差的变量？我认为你要求一些不可能的事情。

标签： r machine-learning cluster-analysis

【解决方案1】：

您可以查看受约束的 K 均值。这是 R package 和 paper 解释其背后的理论。它应该允许您指定 k 个约束，您可以在其中确定每个集群的限制。

【讨论】：

【解决方案2】：

在 R 包 ConsensusClusterPlus 中，他们自动化了寻找聚类的过程，从而消除了 K-means 的随机性并测试了多个 K-values。

当涉及到您的问题时，我会建议：

对 data_B 运行共识聚类
对于 K 个聚类中的每一个，计算“共识”质心
对于 data_A 中的每个样本，计算到步骤 2 中质心的距离，并将每个样本分配给最近的质心。
现在您可以为 data_A 和 data_B 中的所有数据分配一个标签/集群，您可以使用例如训练分类器随机森林或 XGboost。

【讨论】：